城市化水平的不断提高,带来交通拥堵问题的频繁发生。如果能够通过一定的手段,对交通流情况进行预测,则可以缓解城市交通压力。在城市道路网中,交通拥堵呈现出向四周辐射的特性。本研究以交通拥堵预测和挖掘拥堵传导规律为目的,从时空两个维度对拥堵传导进行建模,提出一种基于遗传网络规划算法(GNP)的时间序列关联规则挖掘模型,通过挖掘城市路网之间的拥堵传导规则,对未来道路的交通状态进行预测。本研究首先介绍了关联规则挖掘算法的相关理论,分类依据以及经典的关联规则挖掘算法,同时对时间序列关联规则及在交通领域中的应用进行了阐述。接下来,文章介绍了遗传网络规划(GNP)算法的相关概念,对基本结构,进化流程以及涉及的遗传算子进行了详细的分析,并将GNP算法与经典关联规则挖掘算法进行比较说明,为数据建模提供了方法支持。然后,文章建立了基于GNP的关联规则挖掘模型,详细说明了关联规则的挖掘形式,规则提取原理,适应度函数的表达式。另外,本章介绍了一种交通状态数据获取方法,通过爬虫手段采集高德地图开放平台提供的交通态势数据,为实证分析提供数据支持。接下来,通过获取北京市三环内的道路交通态势数据,进行模型验证,从广域和局部两个角度,分析模型预测效果和拥堵传导规律。通过与基于神经网络的拥堵预测模型进行比较,本研究所建立的模型不仅能够较好的预测未来交通拥堵情况,相比于神经网络的黑箱预测过程,本研究能够基于挖掘的道路拥堵传导信息,较好的解释模型的预测结果。本研究通过提取交通拥堵传导规律,不但能够对未来的交通状态进行预测,建立拥堵预警防治机制,以降低道路拥堵发生率,提高交通出行的效率;而且,本研究通过对局部区域的拥堵传导规律进行直观展示,以国贸桥、玉泉营桥和北京西站为例,分析不同道路结构,道路所处环境对交通拥堵传导速度,反应时间的影响。通过分析发现道路规划中不完善的部分,提出相关改进规划意见,帮助交通管理者和城市建设者更好的规划设计交通路网,从而推动智能交通领域服务技术向智能化、多样化和专业化发展。