随着社会经济的发展，城市道路交通状况越来越拥挤，交通问题几乎成为了所有大、中型城市面临的共同问题。交通拥堵是很多交通问题共同作用的结果，严重影响城市生活的正常运转。交通拥堵的准确预测可以辅助交通诱导，将有限的交通资源进行合理配置，优化城市路网运行，缓解城市交通拥挤。因此，对交通拥堵状况进行准确预测意义重大，同时对智能交通领域的研究、发展、应用和实施以及促进城市交通健康、和谐、稳定地发展也具有重要意义。 本文根据交通数据各属性之间的关系特点，以及交通数据各属性和交通拥堵状态的相互关系，提出了基于数据挖掘技术的交通拥堵预测方法。主要的工作成果包括： 1) 根据交通数据各属性的关系特征，提出基于K-Means聚类算法的交通拥堵状态界定方法，通过分析交通数据本身的特点，对交通流量和时间占有率两个属性进行聚类，根据交通领域知识再对聚类结果进行分类，可将交通数据记录分为拥堵和非拥堵两种状态。 2) 根据交通领域相关知识，确定与交通拥堵相关度最大的四个属性，提出基于BP神经网络算法的交通拥堵预测方法，以交通流量、时间占有率、平均速度、车头时距为神经网络的输入属性建立预测模型，进而对交通拥堵状况进行预测。 3) 根据交通领域著名的车流量/时间占有率倒“V”字形曲线分布模型，提出基于最小二乘法的曲线拟合和统计方法的异常检测方法，并在实际应用中取得良好效果；该方法能够有效识别异常数据，然后根据移动平均算法对异常数据进行修正。 4) 设计并实现了智能交通数据挖掘系统UTDD的交通拥堵预测模块，进一步加强了UTDD系统的功能。