高速公路隧道作为高速公路的瓶颈路段,相较于普通路段亮度差较大、空间较封闭,使各类交通异常频发,如隧道火灾、装载车货物洒落、车辆故障、交通拥挤、交通事故和一氧化碳超标等。当其内出现交通异常事件时,可能会对区域交通流产生比较严重的影响,甚至引发重大交通事故。因此,隧道交通异常预警对于提高高速公路运行效率,减少交通事故具有重要现实意义。由尾撞事故和交通拥挤的典型性,故本文采用双截面法对交通拥挤和尾撞事故两种交通异常进行预警,并进行实例验证。首先,分析高速公路隧道的环境特征和交通运行特征,明确场景的固有特征,为后文的预警时空范围提供依据,且就高速公路隧道交通异常的概念及特点、发生异常的条件及交通异常发生后上下游交通流特征参数的变化情况深入探究,明确两种异常之间的关系,确定交通异常标签及影响交通异常的主要特征参量。因交通异常预警包含预测和异常检测,最后就目前交通异常检测的方法及评价指标进行总结,阐述了不同交通异常检测方法的优缺点。其次,进行交通异常预警特征工程（交通异常预警特征参量和数据）的分析。首先选用异常发生位置的上下游相邻两截面共15个异常预警特征参量,基于异常决策标签通过RF算法对选定的异常预警特征参量进行重要度排序,得到了从大到小排序的异常预警参量集;接着对预警参数所对应的交通数据的采集原则和采集技术进行了分析,利用交通波理论对数据采样间隔进行分析,发现当采样间隔小于30.95s时满足预警指标,继而制定了交通异常预警参量数据的采集标准;之后阐述了目前交通信息采集方式的原理和特点,并对采集到的交通数据进行预处理使之转化为可操作的数据;最后对上述理论开展对比模型实例演算,确定了交通异常预警参数的特征集和样本集。接着,对交通异常预警参量集进行预测,由于神经网络对非线性预测具有一定的优势,本文选取BP神经网络为预测模型,考虑模型具有易陷入局部最优的缺点,利用SSA算法对其权值和阈值进行优化,确定最优权值和阈值;通过分析交通异常预警参数的时空自相关性,得到最佳单次样本量和特征维度,由此确定了预测模型的最佳输入结构;最后通过实际案例与其他传统预测模型进行对比,预测精度有明显提高。最后,结合基于RF的交通异常预警参数选取模型、SSA-BP预测模型与GSSVM交通异常检测模型构建交通异常预警模型。首先利用机器学习中SVM算法建立异常检测模型,并用Grid Search算法对模型参数c、g进行优化,构建GSSVM交通异常检测模型;然后通过交通异常预警参数的时空分布来分析异常点的时空刻度,根据异常的条件对检测出的交通异常进行识别;接着根据隧道的视觉特性和停车视距确定高速公路隧道不同区段的预警时空范围;最后以沪渝高速公路某长隧道为研究对象进行交通异常预警的案例分析,结论表明,异常检测率达到了94.32%,误报率仅为5.39%,检测时间稍长为51.50s,再将前文预测结果输入到检测模型达到交通异常预警的目的,得到预警准确率为93.29%,表明本文交通异常预警模型能有效对异常事件进行识别并预报,提升了高速公路隧道的运行效率和安全性。