网络预约出租车,作为互联网快速发展下的产物,自2012年开始,逐渐步入人们的生活,并带来极大的便利。但是同时交通拥堵一直是城市交通的一个重难点问题,如果能够对城市道路网上的车辆进行交通状态识别并进行短时的交通预测,将能极大的提高出行的便捷和舒适。本文以2016年11月成都市二环内的网约车轨迹数据作为研究基础。通过构建Map Reduce分布式数据处理平台,对轨迹数据进行预处理操作,包括数据清洗、数据的坐标转换、地图匹配、轨迹数据的切分等操作。其次,对轨迹数据进行特征分析,分析了轨迹数据的时空特征,基于热点探测模型分析了空间分布特征,在网约车的出行特征中,有三个上车点出行高峰,分别早高峰(8:00-10:00)、午高峰(12:00-14:00)和晚高峰(17:00-19:00),出行时间大多集中在5-25分钟;另外,在空间分布上,区别于巡游出租车较多分布在主干道周围,网约车上车的热点区域较多的集中在商业区和住宅区附近。另外,对轨迹数据进行了筛选和特征计算,将单条轨迹进行了提取,并进行了轨迹距离的计算;对路段特征进行了提取分析,计算了出行距离、出行时间和行程速度等指标。之后,道路交通状态进行了划分,并基于POI数据对交通状态的影响因素进行了提取。最后,基于特征分析提取到的对交通状态的影响因素,结合成都市的实际案例,分不同时段和不同路段进行交通拥堵的预测研究。将一个月的数据分为训练集和测试集两部分,结合POI数据、提取的参数等构建道路交通状态影响因素集,作为模型的训练,利用隐马尔科夫预测模型,进行短时的道路交通拥堵预测,最后再利用测试集进行检验。研究结果表明:模型的准确度与研究区域和评价指标参数有较为密切的关系,考虑POI数据的影响能提高交通拥堵预测的结果的准确性。