城市交通的发展与人类生活不可分割,如何合理配置交通资源、规划城市交通已经成为一个亟待解决的问题。在诸多交通问题中,交通拥堵是影响范围最大、时间持续最长、发生频率最高的问题。常发拥堵状态和偶发拥堵状态是最常见的两类交通拥堵状态。常发性拥堵一般发生在交通高峰时间,是由于交通需求超出道路正常容量所致,具有可预测性。偶发性拥堵发生时间非固定,是由于突发交通事故所致,具有偶然性。虽然两类拥堵状态发生条件和发生时间不同,但是如果能把握这两类状态的特点并正确识别它们,则可以协助交通管理者采取及时的控制措施,提高交通资源的使用效率,从而降低经济损失和其他外部成本。所以探求常发拥堵和偶发拥堵的发生规律是具有重要意义的。同时如果能预知交通,对于市民出行、交警制定疏导策略更是至关重要。本文就如何识别常发、偶发拥堵和如何预测交通事故这两个问题进行了讨论,并结合了数据挖掘技术来探讨了该技术在交通领域的应用。对于常发拥堵和偶发拥堵问题,本文首先通过交叉验证的方法训练支持向量分类器,再将交通流信息输入分类器判别交通拥堵状态,然后采用统计学里的方法来区分常发拥堵和偶发拥堵。经过实验验证该算法准确率和运行速度均符合实际要求。对于交通状态预测问题,本文采用了深度学习中的循环神经网络(RNN)方法。深度学习的应用领域非常广泛,目前深度学习经常被用于图像识别和自然语言处理领域中,在交通领域的应用目前非常少。为了探索这一新的领域,本文采用了对照实验的方法,对不同道路做了多组实验,从而得出最好的方案。从实验验证结果来看,盲目运用深度学习模型无法达到预期效果,必须采取一定的策略。比如通过某条道路相邻路口的交通流信息来预测该路口信息可以达到理想效果。