汽车数量的急剧增加带来一系列交通问题:如交通事故、交通拥堵和交通污染等。智能交通系统(Intelligent Transportation Systems,简称ITS)是解决交通拥堵、减少交通事故发生的有效方法。道路交通状态识别和预测是智能交通的重要组成部分,如何快速、准确、低成本实现道路交通状态识别及预测是智能交通系统实现过程中迫切需要解决的问题。本文依托国家发改委移动互联网及第四代移动通信(TD-LTE)产业化专项基金资助项目(发改办高技[2014]2328号)和粤港关键领域重点突破基金资助项目(2011A011305001),开展了针对道路交通状态识别与预测评价技术的研究。提出基于手机信令的道路交通状态识别及预测的优化方案,为多环境因素影响下的道路交通状态识别与预测提供了科学、可靠的实现方法,实现了广域的交通状态识别及预测。本文针对当前交通状态识别及预测的各种关键技术问题进行了深入的研究,主要从工程应用的角度寻找解决实际问题的方法,取得如下创新成果:1、提出基于3D射线传播与深度学习相结合的移动用户定位方法,解决了传统传播模型仿真效果差、人工采集工作量大的难题,提高了定位指纹库的精度、定位的准确度和效率。突破无线传播模型校正、神经网络核函数改进、通信指纹库稀疏性索引、通信参数阈值设置和指纹匹配算法选择等关键技术。实现了广域范围内的移动用户的精确定位,形成了基于校正后的移动通信参数构建定位指纹库,通过匹配指纹信息达到移动用户的全套定位技术解决方案。2、提出移动用户出行模式识别的算法,解决了移动用户出行模式的不稳定性、动态性和出行模式识别容易受环境因素影响的难题。突破了移动用户出行模式识别的动态阈值设置、DBSCAN聚类参数的快速设定和海量数据的快速聚类等关键技术。吸取BIRCH和DBSCAN各自优势,采用两者相结合的方法来实现快速聚类,实现了海量移动用户出行模式的快速识别。形成了基于密度和动态阈值聚类的移动用户出行模式自适应识别的技术解决方案。3、提出基于模糊综合评价的道路交通状态识别的方法,解决道路交通状态判别的不确定性和难以量化的难题。在合理选定交通流特征参数的基础上,采用道路交通状态的隶属度函数计算各种交通状态的发生概率,结合交通流参数的权重向量实现道路交通状态的识别。4、提出基于随机森林的道路交通状态预测方法,解决复杂环境下交通状态预测的“维数灾难”的难题。对随机森林算法进行了三点改进,提升了预测的精度和速度。利用hadoop自带的模型快速建模,再用spark工具对实时流数据流数据进行分布式处理,实现多因素条件下的交通状态实时预测。这些成果在“中国联通大数据孵化器2015迭代研发项目(基于人口流动轨迹的渠道服务及行业应用技术开发)”中得到了运用,并取得良好效果。这表明,本文的成果在移动用户定位、移动用户出行模式识别、道路交通状态识别及预测等方面取得了突破性的创新。基于手机信令的道路交通状态识别及预测方法一定程度上扩展了移动用户通信数据的应用范围,为交通信息化的发展提供了有效的手段,应用前景广阔。