随着智慧城市的高速发展,高速路网不断扩大,我国汽车数量不断增长,交通拥堵的频繁发生,这就要求对高速路网进行科学的监控和管理。目前高速路交通信息获取方式主要通过固定检测器或车载GPS,因为其覆盖范围窄和成本高,所以不能满足智能交通系统的需求。移动信令数据具有低成本、全覆盖和实时全天候等特点,利用移动信令数据进行交通拥堵识别及预测是智能交通系统的热门研究方向,但准确度不够高一直是难点问题,本文基于移动信令数据的高速路拥堵识别及预测的相关问题展开研究,实现准确的拥堵识别和预测。本文首先分析了移动信令数据的特点及其中掺杂的“噪声数据”的特征,研究了高速路车辆速度和密度计算的常用方法,选取并研究了BP神经网络和SVM支持向量机预测算法的原理。然后,利用物理运动学的思想,根据包含一个道路栅格的两轨迹点的路程距离越短,则对该道路栅格车辆速度的贡献值越大,以及平行道路噪声数据的特点,提出一种融合路程加权并消除平行道路噪声数据的高速路车辆平均速度计算方法;根据车载手机用户的多个特征属性,利用聚类方法进行人车匹配来识别路段车辆数,进而计算车辆密度;然后以车辆速度和密度为输入参数,构建多参数综合阈值拥堵识别方法进行高速路拥堵识别。最后,针对多个子预测模型可以优势互补的特点,采用最优权重组合方法构建一种高速路短时交通拥堵组合预测模型,并考虑数据的时空维度特性进行拥堵预测。最后,利用移动运营商提供的信令数据采集系统以及数据处理平台对模型进行验证,将模型结果与固定检测器数据进行对比,将拥堵识别模型的车辆速度和车辆密度计算方法的结果分别与传统方法的计算结果进行MAE、RMSE和MAPE对比,可知本文提出的模型方法结果均优于传统方法,并且最终的拥堵识别准确率达到91.19%;将本文提出的组合预测模型结果与子预测模型结果进行MAE、RMSE和MAPE对比,结果均优于子预测模型,并且最终的拥堵预测准确率达到81.25%。满足模型的设计需求,具有一定的实用价值。