交通拥堵在大中城市己日趋严重,导致了出行时间延迟和车辆污染排放显著增加。智能交通系统是缓解交通拥堵、提高出行安全的有效途径,城市交通拥堵预测是智能交通系统的关键技术之一。本文基于交通大数据,研究城市交通拥堵区域预测方法。论文的主要工作如下:1.地图匹配算法研究在城市交通拥堵区域预测模型研究中,需要使用公交轨迹数据和路段速度数据相结合来表征模型的标签,即是否发生拥堵,我们需要使用地图匹配算法处理轨迹数据将轨迹匹配至对应的路段上。为了提高匹配的准确率,引入了随机森林多分类的策略,将匹配问题作为分类问题看待,充分利用海量的历史轨迹数据。为了进一步加快匹配速度满足实时匹配的要求,本文利用分布式处理机制,提出了一种基于分布式随机森林多分类DRFMM的方法来处理轨迹数据的地图匹配问题。采用真实的合肥市路网和出租车轨迹数据表明,同经典的点线匹配算法和神经网络分类方法相比较,本文提出的基于分布式随机森林多分类的地图匹配算法DRFMM有效提高了匹配的准确度和速度。2.城市交通拥堵区域预测模型本文提出了一种结合知识图谱和时空卷积神经网络(KG-ST-CNN)协同预测城市拥堵区域的模型。具体而言,通过对多源异构的的城市交通大数据进行离散化和语义化,构建城市知识图谱,并引入图卷积网络来进一步提取城市知识图谱的特征,这些特征被处理为时空卷积神经网络的输入。该方法将城市交通网络视为图像,有效地捕捉了区域之间的空间相关性,并通过分析交通数据的时间相关性,构建了多个卷积网络分别捕捉不同时段的特征,从而准确地预测出交通拥堵区域。通过北京市的交通数据将本文方法和经典预测模型进行比较,实验结果验证了本文提出的KG-ST-CNN预测模型的有效性,显著提高了拥堵区域预测的精准度和召回率。3.城市交通拥堵区域预测系统设计与实现基于本文提出的分布式随机森林多分类匹配算法以及结合知识图谱和时空卷积神经网络的城市拥堵区域预测模型,设计并实现了拥堵预测系统,作为城市交通智能控制系统的一个子系统,将提出的算法和模型优化其服务层地理位置服务和应用层决策分析模块。