随着高速公路交通出行需求的日益增长，高速公路服务能力与需求之间的矛盾逐渐加剧，交通拥堵与安全问题不断涌现。而高速公路联网收费数据中包含着丰富的交通流运行特征信息，能很好地反映出交通状态的变化特性。因此，通过挖掘联网收费数据并提炼出有价值的交通流状态表征参数，从而掌握高速公路交通状态变化规律对提升道路管控水平具有重要意义。本文从高速公路收费数据挖掘出发，以站间交通量与行程时间为交通流表征参数，在此基础上对站间交通状态识别与预测进行研究。主要研究内容如下：
　　(1)为了弥补缺少断面检测设施带来的断面数据缺失问题，结合高速公路路段断面交通量构成，基于此建立了断面交通量推算方法，为站间行程时间预测与交通状态识别提供了数据基础；基于LSTM神经网络构建了断面交通量预测模型，通过多路段实例分析验证，相较于ARIMA预测模型，在15min和1h两个统计粒度下MAE分别提升了12.58和74.07，MAPE分别提升了4.54%和8.3%，MRE分别提升了70.92和593.57，该模型具有更高的精度。
　　(2)针对个别站间行程时间数据部分缺失的情况提出了相应的补充方法，完善了行程时间数据的完整性；通过站间行程时间影响因素分析，得到主要影响因素为交通量、时段以及相邻时段的平均行程时间；为进一步提高行程时间预测模型精度，将相邻时段平均行程时间、小车断面交通量、大车断面交通量时段和周几等作为预测模型考虑因素，基于随机森林算法构建站间行程时间预测模型；经过多路段实例分析验证，结果表明多特征随机森林行程时间预测模型在MAE、MSE和MAPE三项评价指标上均优于时间序列模型，预测效果较经典的BP神经网络更佳，具有较好的适应性。
　　(3)为了准确地描述高速公路交通状态，基于交通状态识别指标选取原则，确定了将站间断面交通量与平均行程速度作为交通状态表征参数；结合高速公路交通状态较模糊的特点，基于模糊C均值模型构建站间交通状态识别模型；为了解决实际情况中样本分布不均匀的情况，结合高速公路服务水平等级将聚类中心范围进行限定改进识别模型；通过多路段实例分析，实现了站间交通状态的识别与预测，结果表明该模型具有较高的准确性与适应性，能够为高速公路交通管控提供一定的理论支持。