城市快速路主线车流与入口匝道车流的交织会导致主线交织区通行能力下降,形成交通拥挤。传统方法常采用控制入口匝道流量降低交织行为比例以缓解拥挤,但存在控制迟滞性缺陷,为此,提出了一种集成拥堵预测及多入口匝道协同的主动控制方法。以准确判别交织区交通流状态为目标,为基于深度学习的交织区交通拥堵预测方法奠定基础,建立了一种基于投影寻踪的快速路交织区交通状态判别方法。考虑投影寻踪的模型特性,定义了交通状态系数;分析聚类效果评价指标的数值关系,引入正则化系数,建立了聚类效果评价系数表达式;采用提出的改进式遗传算法,结合K-means聚类算法,计算获得聚类中心和最优投影方向;应用最优投影方向将交通流参数转化为交通状态系数,判定邻近聚类中心,获取相应的交通流状态。新的交通状态判别方法克服了传统方法对专家经验的依赖性,解决了熵权法的信息熵过量估计问题。对比实验表明,新方法状态判别准确率为96.63%,较神经元网络和决策树算法分别提高了5.58%和7.01%,能够准确判别交织区交通流状态;依据状态判别方法,获得各状态通行能力及临界占有率。以新的状态判别方法为基础,应用卷积神经元网络模型架构,采用交叉熵作为代价函数,选择Adam自适应算法进行模型优化计算,结合Dropout正则化方法,建立了基于深度学习的交织区交通拥堵预测模型。实验结果表明,基于深度学习的交织区拥堵预测模型预测准确率为95%,对比传统神经元网络,迭代收敛速度更高,预测准确率更优,能够准确预测交织区交通流状态。研究交织区拥堵成因,分析经典入口匝道控制方法特性,集成基于深度学习的快速路交织区交通拥堵预测模型,依据预测的交织区状态设定控制启发条件,采用预测状态的通行能力及临界占有率作为控制参数,分别提出了主动式局部与协同控制策略,建立了快速路交织区上游入口匝道主动控制方法。依据实际调研结果,应用VISSIM仿真软件,建立了南京市卡子门快速路交通仿真模型;分别设计了无控制、ALINEA、BOTTLENECK和主动控制四种仿真实验;仿真结果表明,主动控制方法能够充分利用交织区通行能力,提高交织区运行效率,降低拥堵发生概率;综合评价表明,主动控制方法相比ALINEA与BOTTLENECK,平均延误分别降低了25.64%和2.93%,总体延误分别降低了18.94%和1.28%,平均速度分别提高了15.11%和3.11%。