近年来,随着城市化进程的不断加快,交通拥堵问题日益严重,治理和缓解城市交通拥堵已成为世界范围内各大城市亟待解决的重大社会问题。然而在城市交通拥堵时段时,有相当大一部分道路处于非拥堵状态,此时若能通过对城市道路交通状态进行长短时的预测,及时掌握交通道路未来一段时间的交通状况,就可以利用预测结果进行交通诱导,为出行者提供更有效的出行路线规划依据,以提高已有城市道路资源的利用率,缓解城市主要拥堵路段的交通压力。鉴于此,集合多种先进技术的智能交通系统(Intelligent Transportation System,ITS)成为了解决城市道路拥堵问题的首选方法。作为ITS的一个分支,交通状态短时预测在交通智能化管理和动态控制中占有重要地位,是智能交通系统中交通控制和诱导的关键。然而,传统预测方法预测精度较低,且预测所用的交通数据存在获取成本高、质量较差、覆盖范围小等问题,再加上城市复杂的路网结构,导致如何实现有效的城市道路短时交通状态预测这一问题制约着智能交通的长足发展。而利用浮动车技术获取的海量交通数据有效克服了上述问题,使得对交通状态特性的研究与预测也进入了大数据时代,让利用交通大数据来进行短时交通状态的预测成为可能。本文设计了一种针对海量浮动车数据稀疏特性的路段交通流参数提取方法,该方法能有效解决因浮动车数据的稀疏特性而导致的交通流参数提取难题,并可准确从中提取出能反映实际道路交通状况的路段速度。在此基础上,提出了一种基于路段速度的城市道路交通状态短时预测的综合预测模型,该模型包括城市道路交通流参数的预测及交通状态的辨识。针对传统循环神经网络不能对交通流序列中的长时依赖信息建模和需要在模型训练前确定序列最优预测时间步长的问题,本文建立了基于优化的长短时记忆(Long Short-Term Memory,LSTM)深度网络的城市道路路段速度预测模型。优化后的模型结构不仅可有效对交通流参数序列中的长时依赖建模,还可以在模型训练过程中自动确定最优的预测时间步长,极大地提高了预测结果的精度和稳定性。最后,将模糊集理论应用于交通状态的辨识,采用结合模糊集理论和聚类思想的模糊C均值聚类交通状态辨识模型,该模型在利用交通流状态参数进行交通状态类别划分的同时,还能计算样本与各个类别的归属度。为了对所建立的预测模型进行验证,本文依托南宁市公安交警支队交通仿真平台,将平台收集到的海量浮动车数据进行深度预处理后,用于路段速度参数的提取与预测模型的验证。验证结果有效地证明了模型预测的有效性和准确性,其研究成果可为城市交通的动态控制与诱导提供基础数据,具有一定的实际参考和应用价值。