“两客一危”车辆由于载客量较多或者运输危化品,一旦发生交通事故,将会带来更严重的损失。由于此类的营运车辆车辆体积大,速度较低,是交通拥堵发生的重要因素之一。北斗车载终端的安装实现了重点营运车辆的实时监控,也为道路交通状态识别和交通流预测提供了数据。基于此,本文以营运车辆数据为基础,对高速公路交通状态识别和行程速度预测展开研究,旨在提高重点营运车辆的监管水平,为减少交通事故发生、有效缓解交通拥堵提供技术支撑,主要内容有:(1)针对重点营运车辆异常数据和缺失数据问题,制定了异常数据处理规则,并提出了趋势—历史缺失数据填充算法。通过对营运车辆数据大量的统计分析,总结出了七大类异常数据表现形式,并根据异常数据的特点提出了相应的处理规则;针对时间序列数据的缺失问题,提出了趋势—历史填充算法。以试验路段营运车辆数据为例,验证了数据处理方法有效可行性。(2)基于道路的行程速度和单位行程时间延迟特征,构建了一种基于FCM的高速公路交通状态识别算法模型。该算法模型以欧氏距离为度量标准,通过迭代求解得到畅通、基本畅通、一般拥堵、中度拥堵、严重拥堵五类交通状态的聚类中心点,并通过隶属度矩阵实现交通状态的识别。实例验证表明所提算法能有效识别出道路的交通状态。(3)构建了一种基于SA-SVR的高速公路行程速度预测算法模型。利用模拟退火优化算法的全局搜索特性,对SVR的核函数因子和惩罚因子进行优化,进而实现行程速度的预测。以三个实验路段为例,证明了优化后的算法能有效增加预测结果的稳定性和预测精度。(4)构建了一种基于LSTM的高速公路行程速度预测算法模型。该算法模型以道路的行程速度为输入,利用算法的长时间记忆能力对未来的行程速度进行预测,并提出三种自适应调整学习率的梯度下降算法对模型进行优化。实验路段验证表明,adam梯度下降优化策略最好。最后以adam梯度下降的LSTM和SA-SVR在未发生交通事故和发生交通事故两种情景下进行验证对比分析,结果表明,两种情景下LSTM预测结果优于SA-SVR。