随着我国城市化水平的不断提高,城市道路网络结构日趋完善,快速路在城市路网体系中发挥了关键作用,快速路的运行效率不仅影响路网整体的运行质量,更影响着城市的正常运转。智能交通系统以交通管控和诱导技术为核心,是提升城市快速路服务水平的重要工具。深入挖掘海量的交通数据资源,对快速路交通流进行实时、精确的预测是提升管控和诱导能力的基础。本文针对快速路交通流微波数据采样缺失与交通流非线性特性,利用张量理论和深度学习方法,分别构建高效的数据修复和预测模型,为快速路管理与控制提供理论与方法指导。首先,通过对交通流数据修复、短时交通流预测两个方面的国内外研究现状进行总结,得出现有的修复及预测方法多以道路断面为研究对象,难以满足交通状态预测日益精细化的需求,在此基础上,本文立足于城市快速路交通流的时空特性,确定将快速路车道交通流作为研究对象,并给出了本文的技术路线。其次,本文介绍了城市快速路交通流数据采集的技术及预处理方法,借助核密度估计理论对快速路车道交通流状态差异性进行分析,并利用相关性指标分析快速路车道交通流的时空关联特性,为研究快速路车道交通流数据修复及预测提供理论支撑。再次,针对于交通流数据采集及预处理后的数据缺失问题,将交通流数据缺失划分为完全随机缺失、随机缺失和非随机缺失三种状态,并且引入多维张量分解思维进行交通流缺失数据修复,构建了基于张量Tucker分解的交通流缺失数据修复方法,利用北京市二环路实测交通流速度数据检验该模型在三种缺失状态下的修复效果。然后,为充分挖掘快速路车道交通流的时空特性,本文建立了一种基于混合深度学习的快速路车道级交通流预测模型,该模型结合了卷积长短期记忆(Convolutional Long Short-Term Memory,Conv-LSTM)神经网络的优势,利用经过张量修复后的速度、流量、占有率变量构建输入张量,可对快速路短时交通流进行多断面多车道同步预测,并且通过实例分析得出该模型的整体预测性能优于传统深度学习模型。最后,为了提高短时交通流预测的稳定性,解决单一方法进行预测的局限性,本文引入算法集成思想,构建了改进贝叶斯算法融合框架,将多个经典预测模型和混合深度学习模型的预测结果进行融合,并且利用实测数据将改进贝叶斯融合方法和传统融合方法的预测结果进行对比,实验结果表明,改进贝叶斯融合模型的预测精度和稳定性均优于传统融合模型。图51幅,表20个,参考文献90篇。