随着智能手机与打车软件的普及,移动通信、出租车车载GPS设备的发展,相关部门积累了数量极大、层次极为丰富的浮动车大数据。浮动车数据基于车辆真实行驶路径,具有常规交通数据所不具备的覆盖面广,跟踪性强,完整体现轨迹性等特点。如何从如此大量的数据中提取出有价值的信息,为交通管理与控制决策提供指导和依据,成为了当前交通大数据研究利用的重点需求。在基于实际检测GPS数据的基础上,对道路交通状态时空特性进行研究,掌握与预测道路交通状态,不仅有利于提升交通运行效率,同时也可为改善道路交通拥堵问题提供决策依据。本文以城市路网交通流为研究对象,基于实测出租车GPS数据,结合数据本身优点与特性,考虑城市道路交通状态之间的相互作用与制约,研究了上下游间与全局路网内交通状态的时空特性。以及拥堵现象的演变过程,在此基础上,实现道路交通流状态的判别与预测。主要研究内容如下:①确定交通时空状态定量指标。基于出租车GPS数据特点,针对单一评判指标无法全面描述道路交通流状态的问题,与道路交通状态时空关联性分析的实际需求,在基于模糊C均值方法的交通状态阈值判别基础上,构造了时空拥堵指数SI,作为交通状态时空关联性分析的基础指标。②研究了基于相关性分析的交通拥堵时空演变过程。针对道路交通流趋势与细节向量分离提取,改进现有Pearson相关性分析,引入广义最小二乘法使之更贴近道路交通状态演变;基于交通状态分类特点,引入了Kendall系数分析进行道路交通流状态演变研究,并提出基于差异聚合系数的高相关路径搜索方法,以确定交通状态预测模型的研究区域。③分析了交通状态的时空演化特征。将道路交通状态从单纯的上下游相互影响扩展到全局路网,基于局部时空莫兰指数展示的交通拥堵聚集扩散特性分析,添加莫兰象限作为特征向量。在此基础上,建立了考虑道路交通状态时空相关性的混合森林预测模型,最后以实例验证了其在交通状态的短时预测方面的效果。基于以上研究,本文提出了一种基于时空关联性分析的交通状况判别与预测算法。同时分析了路网交通状态在上下游连接处与全局路网中的传播演变过程。通过实例验证,证明了上述工作的有效性与进一步深入研究的可持续性,可以为城市道路交通管理与控制提供有效的支持与参考。