随着社会经济的高速发展,城市路网所承受的压力逐年増加,不能无限扩张的道路资源与日益增长的交通需求难以平衡。在交通大数据的背景下,进行城市路网交通流状态判别与预测,分析交通事件形成机理与特征,不仅能够为交通管理者提供优化目标,还能够为出行者提供准确可靠的出行信息。本论文依托国家重点研发计划《北京冬奥会综合交通出行“一张票”关键技术”》,结合交通大数据,采用统计分析、聚类方法与机器学习等理论,对交通流状态判别与预测方法展开深入研究。在提高交通流状态判别与预测效果的基础上,提出基于交通流状态判别和预测的交通事件画像生成方法,以达到准确判别和预测路段异常交通流状态、综合表征交通事件特征的目的。研究主要内容与成果如下:（1）基于聚类分析与随机森林的交通流异常值检测与数据插补方法以采集得到的交通流数据为基础,首先提出基于阈值判别与K-means的异常值检测方法,对交通流数据中的异常数据进行准确识别。通过与SPSS的离群值检测对比,提出的异常值检测方法能够在不影响交通流规律的前提下对交通流异常数据进行有效识别。其次针对上述检测出的异常数据与数据结构中的缺失数据,提出基于随机森林的缺失值插补方法。在不同数据缺失率的情况下,提出的基于随机森林的缺失值插补方法的准确率均可达85%以上,与其他插补方法对比,具有更好的稳定性与准确性。（2）基于改进SC-Stacking的交通流状态自动判别模型结合无监督学习与监督学习算法的优势,构建了一种基于改进SC-Stacking的交通流状态自动判别模型。首先采用谱聚类算法将交通流状态划分为五类;其次为进一步提高Stacking模型运行效率与整体准确性,对Stacking模型进行整体改进,采取K折交叉验证的方式防止模型过拟合问题,并采用多层Stacking的模式,提高算法精准度。构建的交通流状态自动判别模型预测工作日交通流状态的准确率与Kappa系数为92.49%和0.89;预测非工作日交通流状态的准确率与Kappa系数为91.87%和0.87。与朴素贝叶斯模型、随机森林模型、梯度提升决策树模型与支持向量机模型相比,其能够大幅降低误差并提高准确度,并且从混淆矩阵的值来看,具有更好的鲁棒性与泛化能力。（3）考虑时空关联的交通流状态预测方法从交通流参数时空相关性入手,将小波理论（WT-DTW）与深度学习理论（CNN-LSTM）相结合,提出了考虑时空关联的交通流状态预测方法。提出的WT-DTW方法可以有效度量交通流空间相关性,从而有效地为机器学习算法构建样本集,反映交通流数据的空间特征;提出的CNN-LSTM交通流参数预测模型反映交通流数据的时间特征,进而可以准确预测交通流参数。实例分析可得,提出的交通流状态预测方法在以5分钟、15分钟、30分钟与60分钟为间隔的交通流参数预测中,准确率分别为78.68%、85.39%、88.14%与82.14%,优于ARIMA与LSTM方法。（4）基于交通流状态判别与预测的交通事件画像生成方法基于提出的交通流状态自动判别模型和考虑时空关联的交通流状态预测方法,以交通流状态不稳定程度、交通事件影响范围与持续时间综合表征交通事件特征,建立了基于交通流状态判别与预测的交通事件画像生成方法,刻画道路网交通流状态在时空两个维度上的不稳定程度与强度,预测道路网交通流参数演变趋势,再现交通事件画像。