高速公路在带动经济发展和人们日常通行中扮演着越来越重要的角色,虽然相关基础设施在不断完善,但面对快速增长的交通出行量依旧供不应求,使得常态性交通拥堵现象扩展到了高速公路领域,从而产生了能源消耗增多、道路事故频发和管理引导滞后等系列问题。截至目前,关于高速公路交通状态预估研究问题,虽然已有大量的理论探索和实践应用成果,但却非完善,而且随着交通流预测等相关领域研究的不断深入,对此类问题的探讨就有了更高的要求。因此,本文展开了基于交通参数预测的高速公路交通状态预估方法研究。首先,基于PEMS系统中提供的美国洛杉矶I-5高速公路环形线圈检测数据,统计并探讨了现阶段交通信息采集方式的优缺点与适用性,并且在对数据进行预处理之后分析研究了交通参数的特性和时空相关关系,以及产生这种现象的具体原因。另外阐明交通参数与交通状态之间的联系。其次,为了充分挖掘高速公路交通流数据的时空特征,提出构建GCN-Bi LSTM组合预测模型。先使用图卷积神经网络捕获交通流数据的空间特征,再利用双向长短期记忆网络从前后两个方向分析数据的时间特性,最大限度获得历史交通流的潜在规律,从而对流量、速度和占有率等表征参数进行精准预测。然后,分析并阐述了模糊聚类在交通状态判别中的应用,为了更准确地预估高速公路交通状态,提出构建一种基于遗传算法改进的模糊C均值聚类预估模型。先通过FCM获得初始种群,再利用遗传算法全局搜索的优势寻求最佳聚类中心,进而实现准确分类,达到高效预估交通状态的目的。最后,为了验证上述构建模型的可行性,先将样本数据输入到预测模型中得到流量、速度和占有率等交通参数的预测值,发现预测值与观测值吻合较好,说明该研究模型的预测精度高;然后将预测模型的输出作为状态预估模型的输入,得到交通状态分类结果,实验结果证明该方法对高速公路交通状态实现了有效估计,模型的可用性得到证实,同时也更为直观地展现了高速公路未来时段的交通状态变化过程,有助于交通信息的提前发布。图42幅,表16个,参考文献76篇。