伴随着城市化和道路交通运输载体的机动化的快速发展。由于土地资源的限制,道路的建设速度远远不能满足实际交通需求。随之带来的道路拥堵问题,已经成为制约城市迈向更高层次发展的核心阻力之一。为了缓解城市交通路况拥堵现象,精准、高效、稳定和实时的城市道路网交通流预测去刻画区域道路交通路况,对城市道路交通网以及轨道交通网络无缝对接和高质量的交通监控优化具有重要的战略意义。现有的交通是基于人、车、路、环境构建的集合体,由于人的出行活动驱动了大量的道路交通流数据产生,从而促使道路交通表现不同路况形态。鉴于交通流本身的波动性、非线性的特性极易受到外界因素的干扰,以往的交通流预测研究考虑到的数据特征比较单一、交通网络模型过于复杂或者简单,导致模型泛化能力弱,预测的道路交通流无法精确、高效实时地反映实际道路交通状态等缺陷。随着物联网、云计算等大数据技术不断完善更新发展,获取实时的城市区域交通多特征数据已经成为现实,海量的、多维度的传感器交通数据为城市的交通状态模式识别和监测系统的构建研究提供了源头保障。基于此,本文利用区域多特征交通数据,在特征工程阶段采用半监督学习方式,根据信息熵理论的决策树算法对特征进行重组融合,以此为基础,提出了一种优化的隐马尔可夫模型对交通流预测以及交通状态的模式识别的方法。结合山东省临淄区交通数据进行课题实验研究,主要工作内容过程如下:首先,研究分析交通流预测模型的国内外现状,认识影响交通流变化本质因素。根据客观事实,对实际获取的区域交通数据进行标注,同时进行特征工程操作处理。其次,为了减少模型算法受数据输入端潜在的噪声影响,在构建交通流预测模型之前添加决策树算法,筛选影响道路交通流状态的特征属性数据进行对应的重组融合。最后,针对原始的隐马尔可夫模型(Hidden Markov Model,HMM)最佳状态参数难以选择且参数训练过程中确定的状态数冗余导致模型过度拟合、泛化能力弱的问题。提出了一种优化的隐马尔可夫模型的交通流预测机制,结合贝叶斯信息准则与赤池信息准则理论,通过实际数据验证,有效增强了模型的泛化能力以及稳定性。