随着城市道路交通网络的不断完善,快速路在城市交通系统中发挥着不可替代的重要作用,其运行质量不仅影响着整个城市路网的运行效率,甚至影响着整个城市功能的正常发挥。然而,随着交通需求的急剧增长,城市快速路不可避免地出现了交通拥堵现象,且快速路上交通拥堵的时空影响范围持续扩大,极大限制了快速路舒适、便捷、安全等功能的有效发挥。另外,城市快速路作为城市路网系统中等级最高的道路,配备有完善的交通检测设备,能够获得不同精度、广度和内容的动态交通数据,为动态评估其交通状态提供了充足的数据保障。因此,深入挖掘海量的交通数据资源,准确评估快速路的交通运行状态并合理预测交通状态的演变趋势,已成为快速路交通管理与控制的关键环节。本文立足于城市快速路交通流数据的时间和空间特性,对快速路交通状态评估与预测所涉及到的关键技术展开深入研究,为城市快速路交通管理与控制提供理论依据和技术支持。主要研究内容如下:(1)城市快速路交通流缺失数据修复方法针对向量和矩阵形式存在维数限制,无法充分利用快速路交通流数据多模式相关性信息的问题,将张量的概念引入到交通流缺失数据修复的研究中。在分析快速路交通流数据时空相关性的基础上,提出了一种基于层次Tucker张量分解的城市快速路交通流缺失数据修复方法,并利用基于黎曼流形的最优化算法进行了优化求解。最后,采用快速路实测数据验证了所提出方法的有效性。(2)城市快速路多尺度交通数据融合方法针对现有交通数据融合方法大多集中在特征级融合或者决策级融合的问题,在对快速路多检测器进行采样分析的基础上,以异步采样中的非等采样率同时采样为研究对象,提出了基于小波和Kalman滤波的城市快速路多尺度交通数据融合算法,并以快速路实测数据为基础,结合仿真手段验证了算法的有效性。研究结果从源头上保证了交通数据的质量,为后续研究提供了可靠的数据基础。(3)城市快速路交通事件自动检测方法在分析交通事件发生时段快速路交通参数变化规律的基础上,以基本交通参数及其多角度组合的方式,构建了包含12个变量的交通事件检测初始变量集,并采用随机森林模型的变量重要性度量筛选出对交通事件更为敏感的关键变量。在此基础上,设计了基于粒子群优化相关向量机模型的快速路交通事件自动检测算法。其中,针对训练样本数据集分布不平衡的问题,采用SMOTE方法对样本数据集进行了重构以达到平衡。最后,采用快速路实测数据验证了所设计方法的有效性。(4)城市快速路交通状态自动识别方法在阐述快速路交通状态划分及其度量标准的基础上,选取流量、速度、占有率、占有率与流量的比值和占有率与速度的比值五个变量作为交通状态特征变量,设计了一种基于投影寻踪动态聚类的城市快速路交通状态自动识别方法。首先利用动态聚类思想构建了投影指标函数,然后利用混合蛙跳算法对投影指标函数进行了优化,从而获得最佳投影方向。最后,采用实测数据和仿真数据验证了所提出方法的有效性。(5)城市快速路交通状态预测方法本部分包括两方面研究内容,一方面是基于协整理论的短时交通参数预测方法,另一方面是基于混沌理论的短时交通流局域预测方法。在基于协整理论方面,通过对交通参数数据的平稳性检验、滞后阶数确定、协整检验以及参数估计,构建了基于流量-速度-占有率向量误差修正模型和速度-占有率向量误差修正模型的短时交通参数预测方法,并分别对模型进行稳定性检验和脉冲响应分析。在基于混沌理论方面,利用C-C方法进行相空间重构,然后采用Hannan-Quinn信息准则确定邻近点个数,进而构建了基于组合核相关向量机模型的短时交通流局域预测方法,并利用遗传算法优化组合核函数的参数。最后,采用快速路实测数据分别验证两种方法的有效性。