精准高效的交通态势分析是智能交通系统的重要组成部分,交通态势分析包含交通量模式识别、交通流预测以及交通运行状态的预测等。目前,交通运行状态的预测大多以绝对指标和固定阈值为标准,因此,如何准确地建立高效的预测模型成为解决问题的关键。本文以交通运行状态为研究对象,利用海量的交通量、占有率、速度时间序列数据,构建交通运行状态实时预测模型,对解决交通拥堵问题具有重要的现实意义。本文首先面向交通时间序列数据的函数特征,提出了一种基于FDA和GMM的交通量模式识别方法,拟合Pe MSD3连续12个月的交通量、占有率、速度函数曲线,将交通量模式分为5类,分析了不同时间下交通量模式特征的相似性与差异性,同时,提出了基于K-Means聚类的逆运算方法验证识别交通量模式的准确性,验证结果表明,不同交通量模式下的流量均值曲线具有很好的鲁棒性和泛化能力,为解释交通现象提供了一种新的方法。同时,本文利用多维数据,基于多因素函数型聚类的方法对交通量模式进行识别,考虑了速度、占有率对交通量模式的影响。其次,本文根据交通流双向传播的特性,提出了基于Attention-Bi-LSTM的深度学习框架,以Pe MSD3的真实数据与现有的LSTM、Bi-LSTM以及传统的时间序列和机器学习模型相比,取得了更好的预测结果,当滑动窗口的时间步长为60min时,预测效果最好。Attention-Bi-LSTM具有捕获时空交通态势的能力,Attention用于感知复杂的非线性交通态势,Bi-LSTM用于捕捉交通流双向传播的时空特征,模型的计算效率并未减小,同时Attention增强了神经网络模型的解释性和移植性,使得Attention-Bi-LSTM可以预测占有率和速度,试验结果表明效果理想。最后,融合函数型数据分析方法和Attention-Bi-LSTM神经网络模型,提出了FABi LSTM交通运行状态预测模型,通过多种交通参数对交通运行状态进行判别,包括流量、占有率、速度,三个参数相互组合。通过对比提出了流量-占有率-速度聚类的交通运行状态判别体系,并按照结果将交通运行状态划分为六个等级,等级A到等级F分别对应畅通、比较畅通、平稳、比较拥挤、拥挤和拥堵。通过比较预测交通量拟合轨迹曲线和对应交通量模式均值曲线确定交通状态惩罚因子,在K-Means聚类分析确定交通运行状态指标体系的基础上,以60min时间步长为输入,预测了7天的实时交通状态,通过分析误差率表明,提出的FABi LSTM模型预测效果理想。