随着经济的高速增长,城市基础设施的不断完善,人们有了更频繁的出行意愿。各种交通工具的出现,使得人们可以更加自主、自由地选择出行方式。但交通拥堵问题使得人们的出行成本有大大增加。这反过来有抑制了人们的出行意愿,限制了人们的出行自由。本文重点研究了实时交通运行状态评估和短时交通运行参数预测两个方面的问题:首先,利用交通大数据,在分析交通数据统计特征的基础上,结合交通流理论,本文建立了实时交通运行状态评估模型,实现对实时交通运行状态的评估。其次,本文建立了短时交通运行参数预测模型,实现对交通运行状态的预测。本文首先研究了实时交通运行状态评估问题。传统交通状态评估模型主要分为阈值划分和机器学习算法两个大类。其中,阈值划分原则简单,不能较好地匹配于不同的道路特征状态。基于机器学习的算法,其交通状态评估结果缺乏交通流理论支撑,不仅可解释性差,且往往与实际交通运行情况背离。本文尝试结合交通流理论和机器学习算法进行交通运行状态评估。首先,本文通过分析发现交通参数统计分布可由若干高斯分布加权叠加进行模拟的规律。在此基础上,本文提出了高斯混合模型的交通状态评估方法,并结合了Kerner的三相交通流理论,将交通状态划分为四类,分别为自由流、准自由流、同步流和阻塞流。本模型分析了交通数据本身的统计特性,同时结合了交通流理论,克服了阈值划分扩展性差、机器学习算法划分结果缺乏交通理论支撑的不足,具有很好的评估准确度度和扩展性。在实时交通运行状态评估的基础上,本文探究了交通运行参数预测问题。流行的交通运行参数预测模型主要有参数化模型和非参数化模型两类。这两类方法在进行交通参数预测时,模型结构固定,不能较好地模拟交通参数的非线性性,导致参数的预测精度和模型的扩展性不足。因此,本文提出了基于深信度网络的交通运行参数预测模型,该模型通过多层限制玻尔兹曼机的堆叠降低数据维度并提取特征,在特征提取后加入反向传播算法,进行预测值输出,从而提高预测精度和扩展性。实验结果表明本模型取得了较高的准确度和较好的扩展性。基于高斯混合模型的交通运行状态评估模型和基于深信度网络的交通运行参数预测模型共同构成了高速公路交通运行状态研判体系。高斯混合模型主要用于实时的交通运行状态评估,该模型具有较高的评估准确度和较好的扩展性。基于深信度网络的交通运行参数预测模型具有较好的评估精确度和较好的扩展性。