改革开放以来,城市化进程加快,居民生活水平提高,城市机动车保有量的快速增长在给人们带来便利的同时,也带来了日益严峻的交通拥堵问题,在一定程度上制约着城市的发展,良好的城市交通运行状况与社会效益的提高有着密不可分的联系,因此,对城市交通拥堵问题进行研究具有重大意义。随着大数据与深度学习的快速发展,智能交通系统(ITS)越来越成为未来交通发展的新方向,本文旨在利用深度学习模型对城市交通拥堵进行识别与预警。其中,常发性城市交通拥堵有明显的时间和地点分布规律,具有较强的可预测性;偶发性拥堵则是由于交通事故、突发事件或天气等原因造成的随机拥堵现象,随机性强较难预测。本文综合考虑常发性城市交通拥堵与偶发性城市交通拥堵的致堵因素,实现对城市交通拥堵的识别与预警,使交通管理部门对城市交通拥堵现象进行整体把控。本文构建的混合式深度学习模型主要包含两个部分,底层为典型的深度学习模型自编码网络(AE),通过利用大量数据对其进行特征学习训练,能够得到城市道路中交通拥堵情况的潜在规律,习得数据特征后通过上层的支持向量机(SVM)模型,对城市道路交通拥堵情况进行分类,得到五种不同等级的交通运行状态。最后在深度学习模型对道路拥堵识别结果的基础上绘制拥堵时空分布图,建立基于矩形法的拥堵传播模型,通过重点考虑拥堵状态的展现形式,利用可视化的方法对道路交通拥堵的传播特征进行呈现,同时结合定性分析和以交通波理论为基础的定量分析方法,对城市交通拥堵的传播与演变规律进行分析,实现城市交通拥堵的识别与预警,为交通管理部门对城市交通拥堵情况制定采取及时、准确、并且有针对性的解决方案和措施提供理论依据与决策支持。