我国高速公路是全世界最繁忙的交通系统之一,拥堵预测是亟待解决的难题。2019年以来,我国高速公路电子不停车收费（ETC）系统开展了全国范围的大规模部署和联网,产生了海量的ETC数据,记录了绝大多数车辆在高速公路上的通行情况。因此,如何通过海量的ETC数据挖掘发现高速公路交通态势的变化,并进而预测未来的拥堵趋势具有重要的研究意义和实用价值。本文基于ETC数据挖掘分析高速公路交通流的动态演变规律,进而构建一套基于ETC数据的高速公路交通拥堵态势短时预测方法,主要完成以下几项工作:（1）以某省高速公路路网地图数据建立了省级高速公路交通路网模型,结合ETC数据等提出了一种行车区间速度数据构建算法,能够填补缺失数据,保证数据完整性;之后,对数据进行了区间速度离群信息检测、滤波和数据规范化等处理;进而构建出完备且准确的高速公路交通流量、交通速度等特征数据。（2）基于高速公路交通流的时空演变规律,构建了高速公路时空特征向量模型,然后引入随机森林算法对高速公路的短期交通流量进行预测,并进行了同类方法和不同特征的性能实验对比,结果证明了本文方法的有效性和可靠性。（3）针对高速公路车辆行驶速度的时空特性,通过引入交通流量和分类车型数量等多维度特征构建样本输入,并利用CNN和Bi LSTM相结合的组合模型提取交通数据中的时空特性,提出了一种融合多维度特征的CNN＿Bi LSTM算法预测高速公路交通速度。（4）根据高速公路各行车区间速度的分布特性、时域特性和道路最高限速的关联关系,建立了区间速度特征向量模型、数据补充算法和GC-XGBoost集成分类算法对速度中潜在的限速特征进行训练和学习,通过ETC数据和交警总队公布的最高限速信息融合处理后进行验证,该方法识别准确率总体达97.5%。（5）基于上述工作,综合考虑了交通流参数、限速信息、车道数和通行能力等方面因素,融合饱和率和交通速度作为评价指标,应用熵权法结合模糊综合评价算法对高速公路交通态势进行评价分析与预测,利用实际道路状态验证了方法的科学性。在某省一段近300公里的重点路段连续3天的实地实验结果表明,本文方法实现的交通拥堵态势短时预测准确率为91.7%,漏检率为8.3%,为高速公路交通态势感知和拥堵避免提供了相关理论和技术支持。