伴随着人们出行需求的增加,城市交通拥堵越来越严重。如何有效缓解城市交通拥堵,提高城市道路交通出行效率一直是学界的研究热点。实时准确的交通流预测是城市交通控制的重要前提。将对区域的协调控制分解为对若干关键交通路线的协调控制,并且对城市路网中关键路线进行状态预测与模式分析,可以有效地简化交通控制算法,有助于城市交通管控人员提出适宜的缓解城市交通拥堵的方案,从而提高城市路网的交通运行效率。论文围绕大数据驱动条件下的城市路网交通状态预测与模式分析展开研究,主要研究内容与创新点如下:1)为了解决单一预测模型不能同时兼顾泛化能力与处理动态实时数据的问题,提出了一种短时交通流组合预测模型。首先对悉尼自适应交通控制系统数据进行流量聚合,然后通过多维标度分析与提出的时空特征选择（Spatio-temporal feature selection,STFS）算法,对预测模型进行特征选择,确定出卡尔曼滤波（Kalman filter,KF）模型与支持向量回归（Support Vector Regression,SVR）模型的最佳输入特征,最后提出一种组合预测模型,将经过特征选择后的KF模型与SVR模型的预测结果线性加权。仿真结果表明:本文提出的STFS算法可提升单预测模型的性能,组合预测模型的预测精度是最高的。2)针对无交通流实时数据条件下的城市路网交通流推演,提出了一种基于多模型组合的交通流仿真推演模型。首先计算出路网中各断面的历史平均流量,并将计算的结果保存到数据库,然后使用长短时记忆模型对路网中各断面的流量进行预测,并通过马尔科夫链估计路网中各断面的状态转移概率,将流量预测结果与状态转移概率结果保存到数据库。最后提出一种经改进的KF模型,对路网的流量进行推演。仿真结果表明:本文提出的仿真推演算法能较好地用于城市交通流的推演。3)为了提高区域控制的效率,提出了一种针对路网中关键路径的交通模式分析与状态预测的方法。首先引入关联路径、关联路径链、关联路径集的概念,并提出一种考虑路径流量不均匀性的路径关联度计算模型并给出判定条件,从而确定出区域中的关联路径集。接下来使用自组织映射算法对关联路径链上的交通状态进行划分,通过Dunn指数确定出最佳交通状态划分数目,并分析关联路径链上的交通模式。最后通过经特征选择后的SVR模型对关联路径链上的交通状态进行预测。仿真结果表明:在尝试的状态聚类簇数中,关联路径的最佳交通状态划分数目为5。关联路径链上车道的交通状态的预测平均绝对百分比误差低于18%,交通状态的预测效果较好。