伴随我国高速公路网日渐完善,我国的公路运输压力得到了一定缓解,但交通拥堵等问题也随之而来,对我国社会经济的发展产生了不良影响,因此,深入了解我国高速公路现状,建立符合高速公路交通流数据特点的交通状态预测体系具有一定研究意义。本文针对交通流数据特点,建立交通状态识别模型,分别从直接和间接两个角度对交通状态进行预测。首先,本文将交通状态识别和交通状态预测作为研究对象,从交通状态识别、交通流预测等两方阐述国内外相关研究,在总结现有研究成果及不足的基础上提出本文的研究内容和技术路线。其次,分析实际交通流数据特征后进行时间相关性分析和空间相关性分析,结合分析结果,提出交通流异常数据识别方法。将异常数据分为随机待修复数据和连续待修复数据,分别设计平均值填充和结合历史数据加权值填充的数据修复方法,为接下来交通状态识别及预测提供数据基础。然后,分析国内外交通状态分类情况,确定将交通量、速度、时间占有率作为交通状态识别指标。提出基于群体智能优化的交通状态识别算法,结果显示,相比于传统的模糊c均值聚类算法,本文提出的算法可以更快的达到收敛且识别效果良好。最后,介绍了深度学习理论,分别设计基于GRU网络的直接和间接交通状态预测模型,结合京港澳高速公路交通流数据对比分析两种算法的性能。实例分析结果显示两种算法预测准确率均高于88%,预测效果良好,且直接预测算法表现出更好的预测效果,预测精度比间接预测算法高2.1%。