近年来,随着智能交通技术的发展,国内许多城市建立了道路交通运行状况评价指标体系,供交通管理部门监测和评价城市交通运行状况,经过多年应用已证明了该评价方法的敏感性和可靠性,实现了对交通运行状况的准确评价。首先,论文对城市交通状况评价和交通多源数据融合的国内外研究现状进行了文献综述,根据城市道路交通运行评价的实时性、准确性、高效性要求,确定采用行程时间比TTI作为判定交通运行状况的主要数据,对短时交通运行状况进行预测;将短时交通预测分为交通运行状况分级预测和行程时间比预测,分级预测选用XGBoost和Light GBM算法构建模型,数值预测选用LSTM和ARIMA算法构建模型。其次,在数据准备阶段,通过收集百度出行数据、滴滴出行数据、交警平台数据等多个数据源数据作为整篇文章的基础。将数据标准化,并通过数据平滑、数据插值、数据集成、数据融合对数据进行预处理,通过滴滴出行数据与百度出行数据中的坐标点集在Arc Map中绘制路网图,实现路网可视化。再次,在数据预处理的基础上,对数据的时间和道路等级特征进行描述,分析交通事故对TTI的影响,为模型特征选取提供依据。数据的时间特征采用连续的傅里叶变换确定数据周期及工作日与周末的差别;道路等级特征分析表明不同等级道路高峰时期TTI各有差异,主干路最高;事故数据分析发现事故发生后1h内该路段TTI比未发生事故时的平均值高5.4%。为进行分级预测,按照国家标准《城市交通运行状况评价规范》将不同交通运行状况划分为1～5级,对应换算每一级TTI阈值。再次,运用融合后的多源数据构建训练集和验证集,对构建的模型进行训练。交通运行状况分级预测模型中XGBoost正确率和精度分别比Light GBM高2.67%和4.91%;行程时间比预测模型中通过比较评价指标,ARIMA模型的RMSE、MSE分别比LSTM模型降低22%和37.8%;对比预测路网图和真实路网图可直观查看不同模型的预测差异。最后,为向交通管理系统提供基础数据,选取ARIMA模型作为行程时间比预测模型为交通拥堵预警提供数据支撑。根据TTI预测值实现拥堵分级预警,按照不同等级道路的TTI分别绘制箱型图,确定其上限值为处警阈值。当连续两个时间间隔TTI预测值达到处警阈值且处于上升阶段时发布处警指令,对预测值和真实值做MAPE和SMAPE检验,分别为4.72%和4.69%,验证了发布处警指令的准确性。