随着经济发展与城市化进程加快,我国机动车保有量快速增长,截至2017年,全国汽车保有量达2.17亿辆,与2016年相比增加2304万辆,增长11.85%,而2017年末,全国公路总里程为477.35万公里,比2016年增加7.82万公里,增长1.64%,我国汽车保有量的速度大大高于公路里程数增长,导致城市交通拥堵问题日益严重。智能交通系统(ITS)是将科学技术运用于交通运输、服务控制等领域,加强车辆、道路、使用者之间的联系,从而形成一种保障安全、提高效率、节约资源的综合运输系统,准确地对城市道路的交通拥堵进行预测,从而合理地进行交通调度,是目前主要解决交通拥堵的方法。本文通过分析各类可能对交通拥堵造成影响的因素,开展去噪自编码与长短期记忆模型(LSTM)相融合的交通拥堵预测方法研究,具有重要的学术价值和应用前景。论文的主要研究工作如下:(1)为了准确地预测交通拥堵状态,首先要解决的问题是交通数据质量问题。因此,本文首先开展数据融合研究,采用地磁传感器采集交通数据,提出基于固定阈值的状态机车辆检测算法,通过数据融合分析处理,对路段车辆进行检测,并获取车速、车流量、车型比例等信息。(2)现有对交通拥堵的预测工作很少对各种不同环境及社会因素进行分析,本文分别对交通流特征、天气以及节假日等因素对交通拥堵造成的影响进行分析,结合这些因素并利用LSTM模型分别对12个断面的交通拥堵进行预测,有效地提高了预测的准确度。(3)在上述研究工作的基础上,本文提出去噪自编码与LSTM相融合的交通拥堵预测方法,利用LSTM可长时记忆历史数据的特点和自编码模型提取数据的核心特征,二者结合对交通拥堵程度进行预测,最后通过与已有的交通拥堵预测模型进行对比,验证该交通拥堵预测方法具有较高的预测准确度,能达到92%以上。实验结果显示,将天气、节假日、时间段等因素考虑在内,并采用去噪自编码与LSTM相融合的预测模型可有效提高交通拥堵预测的准确度和鲁棒性。