随着经济发展,机动车保有量逐年上升,道路改扩建受制于现实因素,交通供给矛盾突显,城市交通拥堵常发多发已经成为制约城市发展一个不可忽视的问题。智能交通系统作为当前开始流行的交通优化系统,可以运用交通历史数据对交通拥堵进行预测和分析研究,以达到提前采取有效诱导措施,平衡区域内交通流。在交通拥堵处于早期演化时对其进行缓解,改善交通通行条件、提高交通通行效率。在此前提下,提高交通拥堵预测精度与效率,为智能交通系统提供准备的、前瞻性的交通拥堵信息,优化交通运输组织,缓解交通压力,具有巨大研究意义。在此背景之下,本文主要的研究内容和主要成果如下:（1）通过查阅大量国内外文献,分析我国城市道路拥堵问题频发、高发原因,以及交通拥堵引起的经济损失和环境破坏;阐述智能交通系统对缓解交通拥堵发挥的作用,介绍交通拥堵预测对治理交通拥堵问题所能发挥的作用,为智能交通系统提供可靠的数据支撑与模型支撑;阐述交通拥堵预测、交通状态识别研究现状和发展趋势,分析现阶段交通拥堵预测存在的不足与研究重难点。（2）对GPS数据进行处理,在研究了成都市整体拥堵情况后选择部分区域作为研究对象。对获取的源数据进行分析,查看数据内容、分析数据优缺、提取数据特征,将数据处理成所研究需要的格式,主要工作体现在:数据冗余去除、GPS坐标系转换、地图匹配、空白数据补全、GPS数据漂移处理、运用自适模态分解（Empirical Mode Decomposition,EMD）算法对数据进行分解去噪处理。通过一系列数据处理,在不破坏交通流数据本身有效性和完整性的基础上提取交通流数据特征,为后文的交通拥堵预测模型提供数据支撑。（3）对得到的数据集进行时空分析以及辅助特征数据分析,主要体现在分析交通流本身以及交通流之间的相关性,在此基础上建立全权重临接矩阵;对采集到多维辅助特征进行可视化分析研究,初步筛选可以用于本文交通拥堵预测的辅助特征,为交通拥堵预测研究打下良好基础。（4）通过查阅资料确定交通流本身具有不可确定性和模糊突变特性,再对比现阶段各种数据聚类算法,为了减少人为干预,选择模糊C均值聚类（Fuzzy c-means,FCM）算法作为交通状态识别算法,其具有模糊特性可很好契合交通流特性。在此基础上对数据进行聚类处理,选取研究实例进行分析,验证算法的合理性和可行性。（5）通过分析数据的时空相关性和各种辅助特征对于交通流的影响,构建基于ATT-GCN神经网络的交通流预测模型,在GCN神经模型的基础上加入了两重注意力机制,分别对时间和空间两个维度进行注意力权重采集,再反馈到GCN图卷积模块。在前文整理的交通流数据集的基础上,运用构建的ATT-GCN模型对交通流进行预测,分别对预测结果中1、5、12步时进行可视化与讨论,得出模型在交通状态预测上的优秀表现,结合模型预测结果与FCM算法进行交通拥堵预测,其预测准确度达到了92.35%,并对预测结果进行了分析。在此基础上对城市短时交通拥堵预测的应用进行分析讨论,基于模型预测所用时间以预测精度,可以为各类智能交通系统提供前瞻性的交通拥堵变化信息以及交通拥堵演化模型支撑。（6）通过集合模型预测结果,从拓扑路网结构、临接矩阵权重数据出发,对比模型对数据集内部的时空关系挖掘能力,分析模型在城市短时交通拥堵预测中作用,为后续的研究提供方向和建议。（7）对论文整体进行总结与分析,对后续研究方向进行展望。