近年来,伴随着高速公路里程的快速增长,高速公路事故频发问题日益严峻。一方面,交通事故会造成不同程度的拥堵,导致交通参与者旅行时间增长,出行成本增加,同时致使整个高速公路网的通行效率降低;更重要的是交通事故会对人身、财产安全造成一定威胁,容易引发一系列社会问题。因此,交通事故的快速救援、交通拥堵的及时疏导对于高速公路高效安全运营具有重要意义。其中,及时准确地预测交通事故持续时间是有效实现交通管控的前提条件,而且可以为事故下诱导性和预测性交通信息的及时发布,以及事故影响的快速消除提供依据。交通事故持续时间可以分为事故发现时间,事故响应时间,事故清除时间和交通恢复时间四个部分。通常情况下,将前三个部分作为事故延迟时间进行研究。本文在充分分析高速公路交通事故延迟时间影响因素的基础上,分别针对事故延迟时间和交通恢复时间构建预测模型,实现了对不同交通环境及交通状态下高速公路交通事故造成延误的估计,以及对事故下交通流状态变化的全面描述。论文的研究成果主要包括以下方面:(1)针对高速公路交通事故延迟时间预测,构建了以C4.5算法为核心的决策树(Decision Tree,DT)模型。综合数据内容描述以及各影响因素的显著性分析,选定11个指标作为决策树属性层,划分36个时间区间类别;在此基础上运用C4.5算法生成决策树,并通过悲观剪枝算法(Pessimistic Error Pruning,PEP)进行结构优化。经检验,基于本文属性选取及类别划分构建的决策树模型,对不同类型及形态的事故延迟时间预测有较好的适应性。(2)决策树方法是一种基于实例进行归纳学习的算法,考虑到事故发生后及时获取全面的事故信息可能性较小,因此,为解决事故信息缺失或不全面的问题,构建贝叶斯决策树(Bayesian Decision Tree,BDT)改进模型。该模型基于最优DT,新增贝叶斯节点,通过该节点判定对应属性信息是否已知,运用朴素贝叶斯理论对缺失属性的分类进行概率判别。实例验证结果表明,改进的模型更贴近实际情况,且对不同数据缺失情况的预测都具有更优性能。(3)以车流波模型为理论支撑,通过对高速公路事故下交通流量、速度及占有率变化的分析,论述了交通拥堵扩散及消散机理,阐明了各阶段路段通行能力对交通恢复时间的影响。引入车队中前车对车道虚拟占有的概念,构建基于动态空间占有率的车流波模型,实现了对事故下车辆最大排队长度以及最短排队消散时间的预测,并实例验证了改进模型有更好的预测效果。