随着城市快速路交通出行量的持续增长,交通拥堵、交通事故等问题越来越多。仅依靠增加道路和其它基础设施来缓解城市快速路的交通出行压力是远远不够的,更应该考虑如何提高城市快速路网交通管理的智能化以及交通出行诱导的信息化。随着全国大中城市ITS建设步伐的加快,城市快速路上布设的大量交通检测器可获取充足的基础交通流参数数据,这为城市快速路交通状态识别和预测方法的研究提供了重要的数据来源。通过对交通流参数数据的适当分析,挖掘有效的交通信息,并基于此进一步提出合理的交通状态识别以及预测方法,从而为交通参与者提供更为可靠、及时且有预见性的交通管理及交通出行决策依据,已成为缓解城市快速路交通问题的有效措施。本文对城市快速路交通状态识别与预测方法进行了研究,具体研究工作及研究成果主要包括以下几个方面内容。从主要交通流参数数据和辅助交通流参数数据两个方面总结城市快速路交通流参数数据特性,并明确交通流参数数据缺失的原因及类型;以耦合矩阵张量因子分解模型（Coupled Matrix and Tensor Factorizations,CMTF）为基础构建城市快速路交通流缺失数据修复方法;由辅助交通流参数数据构建天气特征矩阵和车道特征矩阵,并将其耦合到由主要交通流参数数据构建的张量模型上,利用交替方向乘子算法（Alternating Direction Method of Multipliers,ADMM）对目标函数进行最优化求解来完成对交通流缺失数据的修复;实证分析结果表明,CMTF方法具有更优的修复效果。在分析交通事件发生前后,城市快速路交通流参数数据变化特性的基础上,从多角度考虑构建初始事件变量,采用因子分析法（Factor Analysis,FA）提取出对交通事件反应更为敏感的事件变量主因子,并将其作为城市快速路AID算法的最终输入事件变量;以随机森林算法（Radom Forest,RF）为基础,构建基于加权随机森林（Weighted Random Forest,WRF）的城市快速路交通事件自动检测方法;采用约束条件优化的Bootstrap重抽样算法对初始训练数据集进行有效抽取并完成训练,采用马修斯相关系数（Matthews Correlation Coefficient,MCC）量化随机森林中每棵决策树的分类效果,并将其值作为权重赋值给相应的决策树,从而保证分类效果更优的决策树在投票阶段具有更高的投票权;实证分析显示,所构建模型能够获得有效的检测结果。结合现有分类标准对城市快速路交通状态进行了划分,从状态变量的可得性和易使用性两个角度出发,以流量、速度及占有率三个交通流基本参数为基础设定状态变量;以模糊C均值聚类算法（Fuzzy C-Means clustering,FCM）为基础,设计基于DSFA-FCM的城市快速路交通状态识别方法,先基于动态步长的萤火虫算法（Dynamic Step Firefly Aalgorithm,DSFA）实现对初始聚类中心的确定,再利用FCM算法实现对城市快速路交通状态的识别。实证分析结果表明,所构建模型能够实现对城市快速路交通状态的有效识别。针对具有较强非线性特征的城市快速路交通流参数数据,先利用C-C算法对交通流参数多变量时间序列进行相空间重构,再利用小数量法对交通流参数的混沌性进行判断,以此确定短时交通流参数预测模型的输入变量;在预测模型的构建方面,以Elman神经网络为基础,利用进退法（Advance and retreat method,AR）对Elman神经网络中隐层节点数目进行有效确定,构建基于MPSR-AR-Elman神经网络的城市快速路短时交通流参数预测模型;实证分析结果显示,所提出模型的预测效果有效。本文所涉及的研究内容、方法及最终获得的结论均是对现有城市快速路交通状态识别与预测方法的补充、完善以及进一步的积极探索,所获得的成果对于城市快速路进一步改善其交通运行安全性和提升其交通运行效率具有重要的学术意义和应用价值。