在经济高速发展的今天,交通问题日益严重,交通拥堵状态的判别及预测问题成为了城市智能交通体系中的研究热点之一。本文针对交通拥堵判别的交通流特征选取、交通拥堵状态判别的方法和短时交通流预测方法这三个关键性技术,分别用交通流理论、分类算法和LSTM网络进行了分析与思考,旨在为交通拥堵状态判别及短时交通流预测问题的解决提供新的思路。首先基于交通流理论对常用交通流指标,从应用场景、相互关系、信息含量、可得性这四个方面进行了对比分析,得出不同交通流指标在判别交通拥堵状态时的适用性。并对比了多指标与少指标在交通拥堵状态判别中的表现,得出了双指标在判别交通拥堵状态时表现最佳的结论。由此选出了两个最适合用于交通拥堵状态判别模型的交通流指标,即区间平均速度和道路饱和率。其次以区间平均速度和道路饱和率为特征量,用伪近质心近邻分类算法对交通拥堵状态进行判别。该算法不仅考虑了相同交通拥堵状态下各个最近邻点的个数,还考虑了近邻点之间的疏密度和与待测样本点之间的远近程度,在一定程度上提高了交通状态分类的正确率。之后,将SVM、RS-KNN、KNN等常用交通拥堵状态分类模型作为对比模型,用成都市某快速路的历史数据进行算例分析,得出伪近质心近邻分类算法比其他分类算法在判别交通拥堵状态时更稳定,准确率更高的结论。最后在Keras框架下搭建基于LSTM网络的短时单交通流指标预测模型。以区间平均速度为例,优化模型参数,预测下个时态的交通流指标,并以常用的ARIMA模型和BP神经网络模型为参照进行对比,分析了基于LSTM网络的短时单交通流指标预测模型的优势。