近年来，世界经济发展迅速，但是很多国家的交通设施的建设速度都不及机动车增长速度，导致交通拥堵问题愈演愈烈。交通拥堵会造成极大的时间浪费和经济浪费，也会造成空气污染、噪音污染等等问题，因此研究如何缓解交通拥堵很有必要。随着科技的进步，硬件水平的提高，数据科学有了越来越广泛的应用，于是有研究者尝试使用数据科学的方法缓解交通拥堵，其中较重要的方式就包括交通流量预测和交通拥堵预测。然而大部分使用了交通流量序列的研究者都直接关注了原始的交通流量序列，并没有考虑交通流量蕴含的相似性和差异性。我们发现利用这两种性质可以提高模型的精确度，所以本文进行了基于交通流量相似性和差异性的道路拥堵预测研究。　　本文首先利用数据分析了交通流量数据的相似性和差异性，接下来利用这两种性质提出“基于交通流量变化度的路网拥堵状态评估模型”和“基于偏移拆分预测的交通拥堵预测模型”。　　在“基于交通流量变化度的路网拥堵状态评估模型”中，交通流量变化度是一个衡量路网拥堵状态变化程度的指标。此模型首先根据交通流量的相似性和差异性为交通流量建立交通流量预测模型，然后结合预测模型和概率模型分析交通流量的变化度，最后根据变化度的大小来计算路网拥堵状态是否改变，从而评估路网拥堵状态。　　“基于偏移拆分预测的交通拥堵预测模型”主要分为两个部分，第一部分是“偏移拆分预测算法”，第二部分是一个路网拥堵状态判断方法。偏移拆分预测算法的是一个交通流量预测算法，此算法首先拆分交通流量为表示相似性的基准序列和表示差异性的差异序列，再借助一个偏移量和这两条序列一起预测未来的交通流量。在第二部分路网拥堵状态判断方法中，本文先利用聚类方法为历史数据打上标签，再利用带标签的数据训练一个分类器，最后用分类器来判断预测得到的交通流量的路网拥堵状态。结合这两部分，此模型可以预测目标交通流量并判断其路网拥堵状态。　　此外，本文在真实数据集上验证了两个模型的有效性。本文使用的实验数据集为中国某市区2013年5月份全月各个路网节点的交通数据，每天的数据量超过五百万。基于交通流量变化度的路网拥堵状态评估模型可以在真实数据上判断出合理的拥堵形成区间和拥堵缓解区间，从而达到评估路网拥堵状态的目标，证明了模型的有效性。对于基于偏移拆分预测的交通拥堵预测模型，本文首先通过真实数据上的对比实验证明了偏移拆分预测算法的精确性。接下来，此模型在真实交通流量数据上预测得到了比较准确的交通流量序列，同时判断出符合常识的拥堵区间。这可以说明基于偏移拆分预测的交通拥堵预测模型能够有效的预测交通流量和预测交通拥堵。