日益严重的交通拥堵已经对我国城市社会经济发展产生了多种不良影响,如何缓解大城市交通拥堵已经成为交通管理者所必须面对的问题。随着车联网技术的不断发展,交通管理者尝试将车联网技术用于路网交通信息的采集与共享,为出行者提供及时、准确的交通态势信息,以便于出行者获取更加合理的出行路径,缓解整个路网的交通拥堵程度。因此,对车联网环境下路网交通态势预测方法的研究,对提高城市路网的通行效率、改善交通拥堵具有很重要的意义。本文将路网交通态势作为研究对象,考虑车联网环境特征对路网交通态势预测方法进行研究,并基于构建的车联网环境对预测方法进行有效性验证。首先,在对传统环境及车联网环境下交通状态表征及预测方法进行综述基础上,总结现有研究存在不足提出本文研究内容及技术路线。然后,通过分析国内外交通状态表征模型,确定了本文交通状态表征模型的评价指标。在此基础上,提出了基于模糊综合评价的交通状态表征模型。接着,介绍了三类经典交通态势预测方法,并分析了车联网环境下交通态势影响因素。基于长短期记忆(Long Short-Term Memory,LSTM)网络提出一种车联网环境下路网交通态势预测方法,结合LSTM网络工作原理,确定了该网络的模型结构、激活函数、优化器、损失函数及输入数据格式。利用所设计的LSTM网络模型分别预测路段平均速度、行程时间比、密度,结合基于模糊综合评价的交通状态表征模型实现对路网交通态势的预测。针对车联网环境特征,基于实际路网建立了相对应的路网仿真场景,并对车辆单元、路侧单元的通信模块和行为模块进行了二次开发,使路网交叉口具备车速协同引导能力。最后,利用建立的车联网仿真环境,对所设计的路网交通态势预测方法进行了实例验证。基于热力图分析了基于模糊综合评价的交通状态表征模型的有效性,同时分析了预测方法的预测精度,以及模型参数与车联网环境因素对预测方法预测精度的影响。实例验证结果显示,所构建的基于模糊综合评价的交通状态表征模型能够用于描述路网交通态势。对于路网交通态势预测方法,路段平均速度、行程时间比、密度的平均预测精度分别为90.3%、82.8%和90.5%,路网交通态势预测精度为87.0%。对于预测精度影响因素,LSTM网络迭代次数达到一定值,预测方法预测精度改善比较缓慢;训练数据样本量越多,预测方法预测精度改善越好,车联网环境特征因素也对预测方法预测精度产生影响。