随着高速公路路网的不断建设与完善,高速公路收费口和道路中心使用了大量监测设备记录通行的车辆信息,从而在高速公路监测系统中存储了海量的车辆通行数据。如何有效地从这些通行数据中,挖掘出更多有价值信息近年来成为研究的焦点之一。本文将结合数据挖掘技术和大数据技术,通过对海量通行数据的挖掘分析,得到高速公路路段的交通量和交通速度信息,实现对未来交通量和交通速度的预测。在此基础上,利用预测出的交通量和交通速度等多个因素,构建高速公路路况状况评价体系,从而对高速公路未来路况的作出预测,为高速公路运营管理和居民出行提供有价值的参考。本文的主要工作和创新点如下:1.针对传统交通量预测模型仅考虑交通量的时间特性而导致预测效果不佳的问题,本文将交通量的时间和空间特性相结合,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)与LightGBM结合的交通量预测模型。该模型首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性,实现对交通量数据的时空特征提取,然后将提取到的特征向量输入到LightGBM模型中,实现对交通量的预测。实验结果表明,该模型比以往模型具有较好的预测性能。2.在交通速度预测方面,考虑到长短期记忆(Long Short-Term Memory,LSTM)网络模型只能单向提取交通速度特征的局限性,设计了基于注意力机制的双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络的交通速度预测模型。该模型首先采用具有正向LSTM和反向LSTM结合特性的BiLSTM模型提取交通速度特征,然后引入注意力机制突出在交通速度预测中对结果起关键作用的特征,并为它们分配不同的权重。实验结果表明,基于注意力机制的BiLSTM网络的交通速度预测模型可以提高预测精度。3.根据预测出的交通量和交通速度,提出了一种改进的模糊综合评价法用于评价高速公路路况。该算法结合高速公路道路运行情况,将预测出的交通量和交通速度转化为路段未来的饱和度、交通速度和交通密度等高速公路路况评价指标,采用模糊综合评价法评价出高速公路路段的未来路况等级。在权重系数计算方面,本文考虑到人为主观性和客观事实两种情况对实验的影响,同时考虑到专家打分时存在的不确定性的问题,提出了基于区间层次分析法(Interval Analytic Hierarchy Process,IAHP)与熵权法结合的方式用于改进高速公路路况权重系数。使用该方法分别计算出白天和夜间两种情况下的权重系数,再通过梯形隶属度函数的方式确定了各个指标在不同时刻的隶属度,最后得到不同时间的高速公路路况。经过与实际情况对比发现该判断方法符合高速公路路况的变化规律。最后,结合实际项目,应用以上研究成果设计并开发了一款高速公路路况预测平台,实现对研究成果的可视化展示。该平台集成了通行车辆数据采集与查询、高速公路路况指标查询、高速公路路况趋势和高速公路路况查询等功能。该系统能够对未来路况进行展示,能较好的满足实际应用的需求。