社会发展带来出行需求的迅速增加,但交通系统有限的承载力制约着城市经济的发展。智能交通系统依托完善的基础设施和数据挖掘技术有效缓解了交通拥堵。本文围绕交通系统的状态预测,将机器学习和信息论的理念与方法应用于数据的处理、分析和应用这三个关键步骤中,以提升智能交通系统交通状态预测的准确性与可靠性。首先,数据缺失是数据处理阶段的重要问题,建立高效的缺失填补模型十分必要;在数据分析阶段,可预测性是决定状态可被准确预测的程度,它体现了数据分布的规律性和复杂性,对于实际预测意义重大;在数据应用阶段,围绕常态和非常态的交通数据进行预测有助于为管理者和出行者提供可靠的决策依据,从而缓解交通拥堵。本文的主要研究内容和成果如下所述:（1）数据的缺失填补:针对交通数据缺失的问题,建立基于残差分析的时空融合模型以填补时空数据矩阵。选取快速路和城市道路的数据集,概括了四种数据缺失的典型模式。模型分为时间维度和空间维度两部分,前者用于还原出缺失数据的整体趋势,后者从空间维度进行时序残差的补全,进一步提高填补精度。通过数值实验,验证模型在多种缺失率和缺失模式下的准确性和鲁棒性。（2）数据的可预测性:考虑交通数据本身的规律性和复杂性,基于信息论中Lempel-Ziv信息熵的概念,建立离散和连续的交通时序数据的可预测性指标。发掘可预测性指标的时空分布特征,探讨该指标与其他统计学指标的关联性,揭示可预测性指标对时序内在不确定性的反映。基于离散傅里叶变换和小波变换的电信号处理方法,揭示可预测性指标和时间序列的常态与非常态波动的关系。有助于整体研究数据的规律性和复杂性,对交通状态的实际预测意义重大。（3）数据的预测应用:基于机器学习的模型,对常态和非常态的交通状态数据进行预测应用。常态数据采用城市道路的交通流速度,探讨预测结果和可预测性指标的关联性,验证指标对预测程度的解释力。非常态数据采用城市交通事件及其交通流数据,建立综合处理“填补+预测”问题的混合模型,挖掘影响交通事件持续时间和可预测性的因素,研究进一步提高预测精度的机器学习模型,有助于为交通管理和优化控制提供决策支持。