近年来,随着经济的快速发展,汽车保有量的不断增加给大城市带来了交通拥堵、尾气污染等诸多问题。治理交通拥堵需要首先对路网进行有效的状态监测分析、评估管理和预测。对大规模异质性路网进行合理的区域划分并利用区域内的时空数据准确地预测交通状态,是目前智能交通系统领域的重要研究课题,还能为交通拥堵的治理提供决策支持。本文针对宏观交通流随时间剧烈变化且在空间上异质分布的性质,以北京市东北二环内的一个大规模路网作为研究和实验对象,利用多个路段上采集的车辆速度数据,分析速度时间序列的时间相似性和空间相似性,研究基于时空相似性的路网分区算法,并对目标路段的短时交通速度进行预测。本文所做工作对解决大规模路网的交通流管控工作具有一定的指导意义和实际应用价值。主要内容如下:首先,针对交通流时间序列距离特征和变化趋势的度量问题,引入了一种结合皮尔逊相关系数和欧氏距离的时间序列相似性度量方法—PE距离。对实际路网采集的速度数据进行预处理后,基于PE距离对速度时间序列的时间相似性和空间相似性分别进行分析,验证了速度时间序列存在时间上的周期性,也验证了路段与邻接路段间的速度时间序列相似性随着它们之间空间距离的增大逐渐减小。其次,在考虑交通流速度时间序列体现的时空相似性基础上,针对子区域内同质性、相邻子区域间差异性等路网分区目标,再引入空间连通约束,利用归一化割(Normalized Cut,NCut)方法提出了一种基于时空相似性的路网分区算法,基于多个评价指标对路网分区结果进行了调优,通过实例分析和对比验证了所提的路网分区算法的有效性和优点。最后,在利用交通流时空相似性和路网分区结果的基础上,针对短时交通速度预测问题,利用长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTMNN),选择与目标路段的空间相关路段集作为神经网络的输入数据,提出了一种结合NCut路网分区和LSTM的短时交通速度预测模型(NCut-LSTM),并利用正交遗传算法优化了模型的超参数。通过与两种基于不同的空间相关路段集的速度预测模型对比实验,说明了所提的NCut-LSTM短时交通速度预测模型的优点。