公路货物运输是我国综合运输体系中至关重要的一环,承担了货物短途运输、“门到门”运输的重要责任,在社会和经济发展中具有举足轻重的地位。随着交通基础设施的不断完善、公路货物运输的不断发展,我国各级交通主管部门愈发重视公路货物运输的统计分析工作,但实践中采用的公路货物运输统计分析方法仍停留在传统方法中,公路货物运输信息化、智能化统计分析仍有待深入发展。近年来,交通信息化发展已初现成效,交通数据的不断积累,使基于大数据的公路货物运输统计、运输特征分析、运输指标预测成为可能,由大数据驱动的公路货物运输智能统计分析系统正逐步建立与完善。本文以交通大数据为驱动,基于应用统计学、交通运输工程学、大数据与神经网络等理论基础,围绕数据处理与统计方法、公路货物运输特征分析、货车流量与货运量预测方法等多方面进行方法改进或创新性研究,为公路货物运输智能化统计分析系统的建设与完善提供基础性支撑,本文主要研究工作如下:第一,针对大数据驱动的公路货物运输统计指标的计算问题,本文分别设计了基于高速公路收费数据的货车车辆自重数据挖掘方法,提出了按货车车型、货车轴数及异常数据分类统计的高速公路货运指标统计方法,运用了基于高速公路货运指标统计结果和货车行驶在高速公路与普通公路的流量比例、平均运距的普通公路货运指标推算方法。第二,针对公路货物运输的特征分析问题,本文基于广东省公路货物运输统计结果,首先分析了广东省公路货物运输产生量与吸引量的特征,随后进一步通过空间、时间两个维度对公路货物运输特征进行分析,空间上从地市级、区县级、特定小范围区域三个层面分析了公路货物运输OD分布、空间来源、空间去向分布规律,时间上从货物运输量与货运车辆两个层面分析了公路货物运输规律。空间维度、时间维度的公路货物运输特征分析同时为货车流量与货物运输量预测模型的构建提供了建模思路。第三,针对货运车辆层面的流量预测问题,本文基于分析所得的高速公路入口收费站与目标区域高速公路货车到达量的空间关联性和时间关联性,提出了考虑时空关联性的高速公路货车到达量预测模型,基于前馈神经网络设计空间关联性机制、时间关联性机制学习输入与输出的时空关联性,并设置偏置项对每一时间步的输出进行修正。考虑不同数量的入口收费站货车流量序列作为输入对预测结果的影响,设置实验对不同数量的输入序列的预测效果进行分析,并选择最优输入序列对所提出模型进行进一步的实例验证,结果表明了模型具有优于现有基准模型和前沿模型的预测效果。第四,针对货物运输量层面的预测问题,本文考虑预测地区的空间关联性和运输量序列的时间关联性,在长短期记忆单元中嵌入图卷积单元,设置时空注意力机制以提高模型对时空特征的提取能力,构建基于LSTM-GCN的深度学习网络——长短期图深度学习网络对公路货物运输量进行预测。选取珠三角区域各区县作为研究对象进行了实验,验证了模型的有效性和实用性。