随着城市化进程的加快，道路交通流受到越来越多复杂因素的影响，并在时间、空间上随机性变化，对道路交通流状态进行准确的预测能为交通拥堵治理提供可靠的信息支持。智能检测技术的广泛应用使得城市交通系统产生越来越多的交通数据，综合利用这些海量数据可为分析、掌握交通状态的变化趋势提供更全面的信息。面对具有非线性、随机性、时空渐变性等特性的海量交通数据，传统的基于精确数学模型的数据处理方法存在条件过多、参数固定等缺点，已难以适应海量交通数据的复杂特性和满足交通状态预测的精细化需求。因此，结合数据驱动思想与其较强学习能力、适应能力的优势，采用相关数据驱动技术对道路交通流动态变化过程进行描述与预测，有利于充分挖掘丰富的交通状态信息、提升交通状态预测的准确性。
　　首先，根据道路交通状态预测对基础数据的需求，介绍了交通数据采集技术及其基本特征，并选取视频、地磁、微波等固定检测器作为论文数据来源；根据交通状态表征选取原则介绍了常用表征指标的计算方法；阐述了数据驱动思想在交通状态预测中的应用优势，并介绍了相关的数据驱动技术及其优缺点。
　　其次，针对固定检测数据缺失、错误等故障问题，在采用阈值法和交通机理法相结合的方法对故障数据进行识别的基础上，结合K最近邻算法的较强适应能力提出了基于改进KNN算法的故障数据修复模型。针对交通流参数的多源特点，结合神经网络的自学习能力提出了基于GAPSO-WNN的交通数据融合模型。算例分析表明，数据驱动的修复、融合模型能有效提高状态指标数据的可靠性。
　　然后，根据交通状态描述的模糊性以及状态表征指标间的相似性，结合模糊聚类分析的客观性提出了基于GA-WFCM的交通状态等级划分模型，将交通状态划分为五个不同的等级区间；基于选取的多个交通状态表征指标，利用从数据出发的模糊熵权法对交通状态进行了综合判断，确立了基于数据驱动的路段、道路交通状态分级综合评价方案，以此作为交通状态表征指标预测值的评价基础。
　　最后，根据路网物理静态结构和交通流动态特性建立路网空间邻接关系矩阵，结合相关性理论建立了路网交通流时空相关性度量函数，以此为基础选取合理的交通状态预测时空序列因子作为预测模型的输入；结合具有“记忆”、“储存”优点的长短时记忆递归神经网络，提出了基于时空序列因子和LSTM RNN的路段交通状态指标预测模型。实例分析表明，基于数据驱动的道路交通状态分级评价方案和预测模型具有较高的可行性和稳定性。