高速公路的交通拥堵预测是高速公路现代化管理的关键支撑性技术之一,对于减少道路交通拥堵发生,更好的发挥高速公路安全、便利以及高效的独特优势有着重要的意义。要实现对高速公路交通状态的准确预测,首先需要获取高速公路路段未来一段时间的交通状态表征参数预测值;其次,利用高速公路路段的交通状态表征参数预测值来对未来一段时间的道路交通状态进行判别研究,从而实现对高速公路交通拥堵状态的预测。首先,建立高速公路交通拥堵状态表征参数短时预测模型。高速公路交通状态表征参数的短时预测可为后续交通拥堵状态的判别提供必要的数据支撑,表征参数的合理选取和预测结果的准确率对于交通状态的判别具有重要的意义。为克服现有短时交通参数预测方法未能充分考虑交通流随机性、非线性特征,提出一种基于集合经验模态分解算法（EEMD）结合小波分析算法优化的短时交通流参数预测模型。首先,运用EEMD算法将原交通流参数数据分解为N个本征模态函数（IMF）和趋势项（Res）;其次,对各分量进行自相关分析,通过利用含噪信号自相关函数特征在各分量中筛选出含噪分量,进一步使用小波分析算法对含噪声分量进行处理;最后,基于上述分析,提出两种短时交通流组合预测模型构建方法:（1）将经过小波分析处理后的IMF和Res进行重构,将其输入基于深度学习的短时交通流参数预测模型,模型输出即为最终预测值;（2）将小波分析处理后的IMF和Res分别输入基于深度学习的短时交通流参数预测模型,模型输出为各分量预测值,将其重构后即为最终预测值。其次,建立交通拥堵状态判别模型。交通拥堵状态的准确判别可为高速公路交通管理部门制定科学的交通管理方案提供了重要基础,同样具有重要的意义。在对交通流状态表征参数预测值进行分析的基础上,构建高速公路交通拥堵状态判别模型。首先,利用熵值法对选取的交通状态判别参数进行赋权,实现对状态判别参数重要度的定量描述,即通过对每类交通状态判别参数的熵值进行计算,来得到各类判别参数的权重值;其次,通过参数加权改进欧式距离度量函数来实现对模糊C-均值聚类（FCM）算法的改进,并利用改进后的FCM算法对交通状态表征参数进行聚类分析,将其划分为畅通、平稳、拥挤、阻塞等包含四个不同交通状态样本数据集;最后,针对现有交通状态判别方法在判别所得状态的精细程度、合理性及稳定性等方面的不足,构建基于支持向量机多分类器的交通状态判别预测模型。最后,以加拿大Whitemud Drive高速公路交通参数作为实验数据集,对所建立的短时交通流参数预测模型进行实验分析。结果表明,所构建的两类短时交通流参数组合预测模型具有很好的预测精度和实用性;进一步以预测所得交通状态表征参数为基础,对文中构建的交通状态判别预测模型进行测试。结果表明,基于熵值法改进的模糊C均值聚类算法分类准确率高并且稳定性好;基于支持向量机多分类器的交通状态判别模型能够保证状态判别的精确性,能够准确的对道路交通拥堵状态进行预测。