随着经济社会的发展,城市交通拥堵日趋严重,不但影响了人们的出行,也给社会经济的发展带来了巨大的损失。准确识别道路交通状态,提高行程时间的预测精度,可以为居民选择合适的出发时刻和出行路径,避免拥堵路段提供依据。因此本文基于高速公路检测线圈数据,分析了各车道的交通特性,建立了一种新的交通状态识别方法,并在此基础上构建KNN-WNN耦合的高速公路行程时间预测模型。首先对获得的原始数据进行预处理,利用相邻时段的数据平均值对缺失或异常数据进行修复,统计分析不同车型在高速公路各车道的分布状况,研究发现高速公路的快车道和慢车道的车型构成存在明显的差异性。利用相关系数法,对道路车速影响因素进行分析,发现交通量、大型车比率及道路时间占有率与平均行驶车速具有较强的相关性,但是不同车道的相关程度具有差异性。因此提出将高速公路划分为快车道和慢车道两种类型,分别对其进行研究。其次在分析国内外研究的基础上,提出以道路平均行驶速度作为交通状态的评价指标,利用集对分析理论从同、异、反3个层次,构建了基于集对分析理论与三角模糊数α-截集耦合的交通状态识别模型。与常规方法相比,该模型不仅可以得到具体的交通状态等级,而且可以给出交通状态所属的区间范围,更能表现出状态变化的动态性,并以西安市绕城高速公路六村堡-帽耳刘立交段内环方向为例,验证了模型的有效性。然后对传统的KNN算法进行了改进,考虑数值和整体趋势变化的相似性,提出利用加权欧式距离衡量其相似性度量方法,利用加权余弦距离组合K个历史样本得到预测值。基于历史样本与当前交通状态的相似性对历史样本进行初步筛选,利用加权欧式距离筛选得到与当前状态相似的K个样本,搜索得到同时刻相邻车道的状态指标,基于改进KNN算法构建了高速公路行程时间动态预测模型。最后利用小波神经网络研究车道平均行驶车速与交通量、大车率和道路时间占有率之间的内在关系,并构建了改进KNN算法和WNN模型耦合的车速组合预测模型。通过案例分析,发现无论快车道还是慢车道,基于KNN-WNN预测精度都高于KNN预测算法精度。