交通拥堵是我国各大城市普遍面临的交通问题,通常由于各城市路段宽度、信号灯控制以及道路行驶规则不同,每个城市都会面临交通拥堵问题,并且发生的时间段会有所不同。该问题的控制与完全治理还没有得到彻底解决,依然影响着城市的交通出行。较传统的拥堵问题通常都呈现规律性,比如经常发生时间段在出行早晚高峰期间,因此,通过部分路段拥堵发生状况,借助道路及时间空间等特征可对城市道路交通拥堵状态进行预测,方便政府管理部门快速做出响应措施,以此来缓解城市拥堵问题。本研究立足于“海量数据的处理、分析、挖掘与利用”这一研究主线,充分利用宁波市出租汽车运行GPS终端所产生的轨迹数据。首先,本文通过对宁波市出租车GPS轨迹数据以及城市道路网数据的分析与处理,将研究数据模型化,为后续拥堵识别以及预测模型输入数据作准备。基于已经经过模型化的数据,同时依据时空数据划分模型确定并提取时间及空间步长参数。在数据预处理的基础上对数据模型化,并构建网格内部的交通状态识别模型,并设计聚类算法识别常发性拥堵网格,为后续预测网格内交通状态奠定数据基础与理论基础。当研究网格内部出现拥堵现象时主要会出现网格内车流量以及车辆运行速度的快速增减变化,因此,本文选取车流量与平均速度指标作为网格拥堵判定指标,构建拥堵识别模型。最后通过构建的拥堵识别模型,识别拥堵区域。以此为数据基础,构建逻辑回归与梯度提升决策树组合预测模型LR2GBDT,用于预测网格内部短时交通拥堵状态。通过逻辑回归(Logistic Regression,简称LR)训练原始特征,如星期属性、时间序列属性以及网格内部车辆数以及平均行驶速度等拥堵网格影响因素;然后构建梯度提升决策树模型(Gradient Boosted Decision Trees,简称GBDT),输入变量为通过LR训练的带有权重的特征结果,输出得到预测结果;最后对比分析已有的预测方法与本文构建的预测模型效果。