在智能交通领域中,城市快速路交通流状态识别与预测是非常重要的研究热点,通过合理判断交通流状态及正确预测交通流状态可以提供实时的道路通行状况评估。我国现有的一些交通流状态识别与预测系统在实时性、直观性方面仍有不足之处,而且由于使用一种数据源导致的系统识别与预测不够准确。本文设计实现了基于多源数据的交通流状态识别与预测系统,使得系统在实时性、直观性和准确性方面有了较大的提高。主要工作包括以下几方面:首先,通过对多种来源的原始交通流数据(卡口牌照识别数据、浮动车GPS数据和互联网路况数据)进行分析和计算,获得对应城市快速路相同时间间隔多种来源的车辆平均路段行驶速度,并根据己有研究选择合适的预处理方法,对异常数据进行识别,对缺失数据进行修复,保证了多源交通流速度数据的正确性与完整性,有效提高数据的实际应用效果。其次,针对交通流状态的模糊性和不确定性特点,研究并分析了FCM算法及流程,由于传统FCM聚类算法需要事先指定聚类个数,在不知道具体分类个数时,此方法有一定的局限性,并且传统FCM聚类算法对初始聚类中心也比较敏感,为此,在进行FCM聚类前,先通过DBSCAN密度聚类得到最优的聚类个数和此时刻的聚类中心,然后将得到的聚类个数和初始聚类中心代入FCM聚类算法,得到最终的聚类中心,根据这些聚类状态的划分,计算每一个待处理的数据点对各个状态的隶属度,选取隶属度最大的状态作为状态识别结果。实验表明,改进后的FCM算法得到的结果比较合理。然后,针对短时交通流状态预测的特点,研究并分析了循环神经网络(RNN)和长短时记忆网络(LSTM)的算法的原理和不同特点,并结合Encoder-Decoder编解码模型,提出交通流状态序列的seq2seq神经网络预测模型,经过模型训练调整,通过当前时刻及之前一段时间的交通流状态数据可以预测未来一段时间的交通流状态变化趋势。实验表明,基于Encoder-Decoder LSTM模型的预测更加准确。最后,通过Web开发框架Django,使用Python语言进行了B/S系统各功能模块的设计和实现。该系统能够对原始数据进行计算和预处理,得到多源交通流速度数据,同时根据系统部署的模型,能够识别实时交通流状态,并进行未来一段时间的交通流状态预测,状态识别与预测结果以可视化的方式展示出来。