随着城市化进程的加快,公路隧道在城市交通中的地位越来越重要。由于隧道修建于地下,所以隧道内的环境较为恶劣,对于隧道的管理也较正常路面复杂。因此,对隧道进行研究,并给出高效、合理的管理方法非常的有必要。隧道在实际运行过程中会产生大量的监控数据,而对这些监控数据的挖掘对隧道监控策略的制定有着巨大的价值。本文将结合数据挖掘方法和智能方法对隧道监控系统的管理给出一套具体的模型。最后对CO浓度超标时间和交通堵车状况进行预测,目的是让工作人员及时合理的给出相应的解决方法,这对于减少交通伤害将会起到重要的作用。关联规则中非常经典的算法是Apriori算法,该算法可以挖掘出各个项目之间的关联性,对隧道智能决策的制定非常有帮助。但是该算法具有反复扫描数据库和产生大量候选项集的缺点。针对这两个缺点,本文加入了事务压缩的方法,对Apriori算法进行改进,减少了扫描数据库的次数和候选项集的数量,提高了算法的效率。针对隧道数据的特点,本文引入了权重的概念,通过对数据记录纵向加权,区分不同时期数据的重要性,增强近期数据对挖掘的重要性,保证数据挖掘的准确性。因此,本文提出了改进的基于事务压缩的加权关联规则(Reducing Transaction based Weighted Association Rule)RT-WAR算法。最后,通过实验将该算法与Apriori算法进行了对比,实验得出RT-WAR算法在效率上有了很大的提高。通过关联规则挖掘出的数据之间的关联度,对于预测隧道环境态势和交通态势十分有用,本文预测的是CO浓度何时会超过正常标准和隧道堵车状况,利用神经网络进行预测。在预测的初期,依据关联规则挖掘的结果确定神经网络输入层的节点以及初始权值。这种方法比盲目的给出输入层因素和随机权值,更有利于加快神经网络的训练速度,同时提高了预测的准确性。本文建立了一套隧道监控系统的预测模型,将实际运营的武汉水果湖隧道的历史数据作为样本数据进行实验,先是将数据进行预处理,然后进行关联规则分析,最后用神经网络对CO浓度超标时间和堵车状况进行预测。通过Matlab仿真实验可以看出,本文建立的这套模型是行之有效的。