随着城市化进程的加深,机动车保有量逐年提升,路网压力也随之增加。对道路交通态势的准确预测,有助于驾驶员进行合理的路径规划,节省旅行时间,也可协助交通管理部门进行子区划分,为信号控制与交通诱导提供数据支撑,进而充分利用路网时空资源,均摊道路负荷。在交通流预测领域,近些年常采用深度学习方法,如卷积神经网络和循环神经网络,但前者更侧重于挖掘交通流的空间特性,后者则更侧重于交通流时间特性,通常未将两者综合考虑。此外,多数深度学习方法未分析交通环境如天气、节假日、突发事故对交通流的影响。本文首先运用基于层次聚类的时间聚类方法,将预处理后的原始数据划分为多个簇,每个簇对应一个训练模型;后通过深度学习的方法,将交通速度与交通流量预测视为时序数据预测,运用分层Attention,也即分层注意力机制,自学习同一时刻上下游各路段、过往各时刻对未来时刻交通流参数的影响权重,以提高预测精度。其中,分层Attention主要包含Encoder与Decoder两部分,前者挖掘上下游路段的空间特征,后者挖掘过往时刻的时间特征。然后以此为基础,综合考虑交通速度与交通流量,运用熵值法分别赋予不同的权重构造权重系数矩阵,并设计模糊函数构造隶属度矩阵,经过模糊合成来评估未来时段目标路段的交通态势。本文的主要工作和成果包含如下四点:1.基于层次聚类思想对原始数据进行时间聚类。预先设定相似度阈值,对采集到的数据进行层次聚类,每一轮循环将相似度最大的两个簇合并,直至当前所有簇的最大相似度小于相似度阈值或只剩一个簇。最终,特性相似的数据划分为一个簇,各簇独立训练预测模型;2.基于分层Attention机制,分别学习同一时刻上下游各路段与过往各时间段对将来数据的影响权重。分层Attention机制主要包含Encoder和Decoder两部分,前者用于提取上下游路段对未来交通流的影响程度,后者则用于提取历史时刻之间的关联性;3.基于上述预测结果,采用熵值法赋予交通速度和交通流量不同的权重构造权重系数矩阵,设计模糊函数构造隶属度矩阵,经过模糊合成对未来时刻路段的交通态势进行预测;4.基于Java Script框架,将本文提出的方法设计为一套交通态势预测系统,整合历史过车数据,进行预处理,选择相似度最高的模型进行预测,最后进行可视化展示。论文从杭州市实际交通问题出发,从理论分析、模型构建、实验仿真到系统设计完成研究工作。最后在模型精度的提升以及与实际交通环境的契合角度提出展望,以帮助道路交通管理人员提供可靠的路段交通态势分级结果。