随着国民经济的快速发展,我国私家车保有量逐年上升,随之而来的交通拥堵问题越来越严重。因此需要建立完善的交通管理政策,运用智能交通系统对交通资源进行合理的调配。通过预测交通运行状态为交通管理部门提供信息,同时为公众的出行提供便利。论文主要围绕交通运行状态的判别与预测进行研究,探究影响交通运行状态的因素,并基于影响因素设计了多特征融合的交通预测模型。首先,本文从交通运行状态的判别和交通运行状态预测作为研究对象,对国内外研究现状进行分析,总结现有成果和不足,在此基础上提出本文的研究内容和技术路线。其次,探究道路运行状态的影响因素,包括天气、重大事件、交通流的时空特性对道路运行状态的影响。通过交通运行指数与平均速度的变化反应不同降雨、降雪和雾霾天气情况对道路交通的影响,由发生重大事件时交通拥堵指数的变化分析对道路交通运行的影响。对影响交通流的时间相关性和空间相关性进行分析,对每日、每周交通流变化进行分析,并引用皮尔逊相关系数对其相关性进行验证,证明其在时间维度存在相似性和周期性;对相邻四条路段上下游交通指数进行相似性分析,发现交通流在空间维度具有一定的相关性。针对现有交通预测模型较少考虑多特征融合预测方法,本文提出了基于多特征融合的交通预测模型,首先采用注意力机制和GRU对道路中的时间特性进行提取,同时使用GCN对空间特征提取,将时空特征融合,并加入了周期因素与天气因素,进一步优化模型,最终得到本文所提出的MFSTGCN交通预测模型,在真实交通数据集Pe MSD4和Pe MSD8上对交通流量和速度进行预测并与其他模型进行对比,采用MAE与RMSE作为评价指标,结果表明本文提出的模型在各个指标上都具有最佳的效果,无论是在短期预测还是长期预测,模型的稳定和误差均优于其他算法。最后,本文基于上述的研究,对交通运行状态进行判别和预测。首先采用K-means聚类算法对交通流量和速度进行聚类分析,判别为畅通、基本畅通、轻度拥堵、严重拥堵四个等级。然后使用多特征融合的交通预测模型对一周的交通流量和速度进行预测,将得到预测结果再次进行聚类分析,判别其交通运行状态,并与之前判别结果进行对比,使用混淆矩阵对判别的准确性进行评价,整体正确率为91.7%,证明本文采用的方法可以对交通运行状态做出准确的判别与预测。