目前国内外交通管理者对准确交通信息的掌握存在不足,交通预测值还不够精准,为给人们提供更好的交通诱导服务,必须采用新型的方法预测误差较小的交通流数据,在此基础上,还需提前精准判别交通状态以便人们选择相对行程时间较短的路径出行。论文针对美国加州高速公路的交通特性,主要从交通流三参数预测和交通状态判别两方面展开研究,文章具体研究内容为:首先,给出了本文的科研背景和意义,分别将交通流预测和交通状态判别两方面的国内外科研现状加以阐述,并在此基础上将美国加州高速公路交通流三要素作为本论文的探讨对象,提出了本文的技术路线。其次,简单介绍了现阶段交通流采集与预处理技术以及本文高速公路的数据采集与预处理方法,并研究了交通流的时空特性,在时间维度上分析了同一周不同工作日的同一断面交通流特性和不同周同一工作日的同一断面交通流特性,在空间维度上分析了同一工作日不同断面的交通流特性和同一工作日同一断面不同车道的交通流特性,在介绍完交通状态判别指标的类型和选取原则的基础上引出本文的交通状态判别指标——交通流三参数（流量,速度和占有率）。再次,提出一种同时考虑时间与空间因素的基于分层时空注意力机制的卷积双向长短期记忆网络（HSTACBN）,将具有空间局部特征提取能力的卷积神经网络（CNN）和能考虑双向时间特征的双向长短期记忆（Bi LSTM）结合,并在最顶部加上一层分层时空注意力机制（HSTA）,让模型更关注对最终预测贡献权重较大的时间与空间因素,将其用于预测更能体现随时空变化不断波动的交通流。文章以五种基准方法作为对比模型,用三项误差评估指标评估模型预测效果,在美国加州高速公路某一路段多个连续断面的数据集上进行训练和测试。然后,文中提出用改进粒子群优化的k-means聚类算法——IPSO-k-means解决k-means聚类迭代初期任意选择簇中心点的弊端,用PSO优化k-means迭代初期的簇中心点,再通过改进的粒子群算法（IPSO）优化粒子群算法（PSO）以此增强聚类算法整体的全局搜索寻优能力,并依据五类聚类效果评价指标综合确定最佳聚类数k为5。最后,通过实例验证完成美国加州高速公路的交通流状态间接判别和直接判别。交通状态间接判别先用HSTACBN预测出交通流三参数,再将预测出的交通流三参数输入IPSO-k-means聚类算法中,判别高速公路不同断面未来时刻的交通状态。交通状态直接判别先用IPSO-k-means聚类算法识别不同的交通状态,再将不同的交通状态输入到预测模型中预测得到公路不同断面未来时刻的交通状态,并进行交通状态间接判别和交通状态直接判别的误差对比,结果显示:两种算法交通状态判别的识别精度均较高,具有较好的应用前景。图61幅,表22张,参考文献98篇。