随着我国的高速公路路网不断完善,作为高速公路重要的组成部分,收费系统中存储的收费数据越来越多。同时,随着人工智能和计算机技术的发展,数据挖掘被应用到交通领域,智能交通也随之快速发展。如何有效利用海量的收费数据,从中挖掘出有价值的信息,为高速公路的使用者和管理者提供决策支持成为智能交通中一项重要的研究内容。本文基于高速公路收费数据,采用机器学习中的算法来对收费数据进行挖掘分析,进行了高速公路的旅行时间预测和交通状态判别两方面的应用研究。为高速公路的运行管理提供依据,也为出行者了解高速公路交通状况提供数据支持。数据挖掘的第一步就是数据处理,数据质量会影响到数据挖掘的效果。首先经过数据清理、集成、抽取剔除明显错误的数据并生成初步有效的数据,然后根据交通流相关的理论知识基于预处理后的收费数据计算相应的交通流参数统计信息,包括旅行时间和分时段OD流量,为下一步旅行时间预测和交通状态判别提供基础数据。高速公路旅行时间是高速公路交通的重要参考,本文基于收费数据研究了小波神经网络在高速公路旅行时间预测上的应用。首先,针对高速公路的特点对原始旅行时间进行修正,并选取合适的变量作为小波神经网络的输入,通过对模型参数的调整获取最优的预测结果。相比于传统的BP神经网络,基于小波神经网络的预测模型结果更为理想。本文对于高速公路状态的判别提出了基于收费数据和改进的模糊聚类算法的判别模型,将模糊聚类算法和交通流理论相结合,对初始聚类中心的选取做出应用于高速公路交通状态的改进,减少运算量,提高效率。对于模糊聚类模型获取的隶属度矩阵通过权值平均法计算交通状态指数,对高速公路路段的全天交通状态做出判别,并对判别结果进行分析。本文对于每个部分都有相应的基于收费数据的实例分析,通过实例分析来对前面的理论进行验证,同时也为将研究成果投入实际应用提供了思路和参考。