我国当前正处于城市化迅猛发展的阶段,城市化进程日益加快,机动车辆快速增长,各大城市普遍出现严重的交通拥堵现象。交通拥堵导致交通延误增大,车辆的速度下降,给人们造成了时间的浪费,交通拥堵俨然成为一个制约我国经济和社会发展的瓶颈。对交通拥堵进行预测,提高预测精确度,并利用预测结果合理规划出行路线,是缓解交通拥堵的关键。针对城市道路交通拥堵的问题,本文提出了一种基于深度学习和Stacking集成学习的MIXDL(Mixed Deep Leaming)预测模型,该模型由4个基学习器构成,这4个基学习器为4个设置了不同参数的DNN模型和LSTM模型,将这4个基学习器的预测结果作为新的训练集,来训练一个新的学习器。首先,本文利用大量的北京市出租车轨迹数据,对数据进行的一系列预处理,主要包括数据的清洗和特征值的选取以及交通流参数如交通量和平均速度的具体计算,从而提取其中早高峰的交通流数据。参考了北京市交通部门提供的拥堵评估计算标准,定义了计算交通拥堵指数的公式,并建立了交通拥堵评估模型,对早高峰时刻选取路段的拥堵情况进行评估。其次,在计算出拥堵指数之后,为了更好的训练预测模型,本文从三个方面选取有可能影响交通拥堵的特征变量,将路网附近的POI数量、住宅小区、地铁口等基础数据,通过地图匹配的方法与轨迹数据归纳合并,并构建交通流特征向量,作为预测模型的输入。最后,本文对所提出的交通拥堵预测模型以及其他常见的交通拥堵预测模型进行对比实验,将实验结果与真实拥堵指数进行对比,并计算其MAE值。实验结果表明,在相同的迭代次数和批尺寸的情况下,该交通拥堵预测模型相对于其他交通拥堵预测模型,具有更好的预测精度,预测值和实际值的平均绝对误差维持在7.5左右。根据本文提出的交通拥堵评估模型中的交通拥堵指数的道路等级划分方法,对预测值和实际值进行划分,并进行对比。结果表明,交通拥堵等级的预测准确度达到了 78%以上。