准确的道路拥堵预测,不仅能够使出行者提前改变出行线路,更能够便于交通管理者及时调整交通管控措施,减少交通拥堵。但由于交通流预测模型预测精度不高、交通状态划分标准不合理等问题,使得难以准确预测道路交通拥堵。为解决以上问题,文中基于车辆轨迹数据,提出了基于聚类算法的拥堵分级模型和考虑二阶时空相关性的平均行程速度组合预测模型,以此实现对道路交通拥堵等级进行准确预测。为克服传统交通数据源的局限性和不准确性,采用网约车轨迹数据作为交通拥堵预测的数据源。首先对网约车轨迹数据进行预处理,通过Open Street Map开源地图平台获取电子路网数据,并使用基于几何投影的地图匹配算法完成地图匹配。然后将路段平均行程速度作为交通拥堵评价指标,基于位置-时间插值模型实现路段平均行程速度的准确估计。同时,基于K-means聚类算法构建拥堵分级模型,并使用平均行程速度估计数据得到不同等级道路的拥堵分级标准,实现对路段拥堵等级的全面、准确识别。随后,为弥补传统预测模型仅考虑交通流一阶时空相关性的不足,提取考虑二阶时空相关性的模型时空特征,并基于CNN模型和LSTM模型构建路段平均行程速度组合预测模型;并在组合模型中引入动态权重实时调整子模型对最终预测结果的影响。最后,为验证文中模型的准确性和优越性,使用测试集对模型预测效果进行验证,同时将文中模型与一阶组合预测模型和常用的3种预测模型分别进行对比,得到以下结论:(1)文中提出的路段平均行程速度组合预测模型具有较高的预测精度,在测试集上的平均绝对百分比误差均小于10%,误差均低于其他传统预测模型,可以较为准确的对路段平均行程速度进行预测。(2)在模型特征中引入二阶空间特征后,模型在两个测试集上的平均绝对百分比误差分别降低了2.97%和3.31%,证明在模型特征中引入二阶空间特征能够有效提高路段平均行程速度的预测精度。(3)将路段平均行程速度组合预测模型预测结果和拥堵分级标准结合可以实现对道路拥堵等级的预测,在两个测试集上的交通状态预测准确率分别为83.3%和90.0%,证明文中模型可以较为准确地预测路段交通状态,能够满足短时交通状态预测的要求。