随着经济的发展,在每天早晚高峰时段,城市中都会发生交通拥塞的现象。由于道路上的车辆数量前所未有地增长,交通拥塞已成为令全世界政府头疼的问题。很多国家开始采取一系列措施来应对交通拥塞带来的生态、经济、社会等方面的问题,但仍然无法解决交通拥塞带来的效率低、能耗高、污染重的通病。传统的理论与方法对解决交通拥堵的问题得不到满意的结果,于是政府部门和研究者们开始综合运用各种高新技术来解决道路拥堵问题,这样智能运输系统(ITS)作为一种有前景的方法理论应运而生。交通拥塞评估和预测是智能交通系统方研究的一个重要方向。其主要目的是进行对交通拥塞的程度进行评估,以及根据当前交通状况对交通拥塞进行预测。由于交通系统的不确定性与非线性的特点,故交通拥塞评估变得十分困难,而受随机因素影响,交通拥塞预测的难度更甚。为了实现交通拥塞的评估和预测,研究者们在现有文献中提出了很多拥塞评估和预测方法。有的使用机器学习模型来建立拥塞预测模型,有的通过对历史交通数据进行数据挖掘方法来建立拥塞预测系统的,还有的使用计算机视觉的方法。但其中的解决方法大多都以静态的方式去解决问题,却没有动态地去分析问题。本文考虑到有些城市中交通流量存在的东西为主、南北为辅的特点,同时考虑到达路网节点的高峰期交通流量的随机性以及长相关性,在本文中对高峰期交通流量数据进行处理,进而对流量进行建模,最后结合排队理论提出基于自相似流量输入的单一和连续路网节点拥塞评估和预测模型对交通拥塞进行评估和预测。在本文中,首先处理和分析实际交通数据得到所需的高峰期到达交通节点的交通流量数据。进而对其进行赫斯特参数的估算,结果显示该流量数据具有自相似性。通过分析红绿灯运行的特点,本文使用指数分布来描述路网节点的服务速率,即使用指数分布来决定在绿灯时通过路网节点的车辆数。根据交通流量的特性,使用自相似流量模型来对高峰期到达交通节点的具有长相关特性的交通流量进行建模,结合应用排队网理论和Jackson模型来提出两种拥塞评估和预测模型,并使用排队理论的队列长度分布和等待时间分布来评估和预测交通拥塞。通过预测模型的结果与实际道路交通数据仿真结果的比较,验证了提出的评估和预测模型的正确性和可用性。通过分析模型输出的队列长度分布,可以对路网系统交通拥塞进行评估和短时预测。最后,根据该拥塞预测模型提出了两种在实际交通系统中的应用,为政府部门以及道路使用者提供相应的指导。