城市快速路是城市交通的重要组成部分,影响着城市交通系统的运行效率。随着多源交通数据采集技术的完善,融合多源数据的城市快速路交通状态划分识别和预测是进行交通管理控制的基础,不仅有助于交通管理部门精准掌握城市交通运行情况,而且有助于出行者合理选择出行路线,提高城市交通运行效率。然而,国内外学者在研究中还存在不足之处,主要为:一是通常采用模糊均值聚类算法对交通状态进行划分,而模糊均值聚类效果受初始值选取影响较大;二是对多源交通数据融合的研究主要是在数据层和决策层,对特征层融合的研究较少;三是采用深度学习算法对交通状态识别和预测时,因为算法参数较多,难以寻找到最优的参数组合。基于此,本文通过提取多源交通数据的特征获得交通流量和行程速度,引入模拟退火粒子群算法对模糊均值聚类初始值选取进行优化,采用贝叶斯算法对Xgboost交通识别算法超参数进行优化,利用遗传算法对Bi LSTM交通数据预测算法超参数进行优化,将预测的交通流量和行程速度输入到交通状态识别模型中获得预测交通状态。本文的主要研究内容如下:(1)对交通卡口数据提取交通特征获得交通流量,对浮动车轨迹数据提取交通特征获得行程速度。进行异常数据识别与修复,利用时空相关性理论筛选出相关路段,作为数据融合研究的基础。(2)采用模拟退火粒子群优化模糊均值聚类(SAPSO-FCM)初始聚类中心,建立交通状态划分模型,实现交通状态科学划分。(3)采用贝叶斯优化Xgboost算法的超参数,形成BO-Xgboost交通状态识别模型,实现Xgboost超参数快速寻优,建立交通状态识别模型。(4)采用遗传算法对Bi LSTM超参数组合进行优化,应用于交通流量和行程时间的预测,实现交通数据高精度预测,将预测值输入到BOXgboost模型中获得预测交通状态。实例表明:SAPSO-FCM算法目标函数终值始终相同,且低于FCM算法目标函数终值,具有更好的收敛性和稳定性。相比对照模型,BO-Xgboost模型平均准确率为99.65%,平均准确率最高。GA-Bi LSTM模型在交通流量和行程时间预测中均表现出更高的预测精度,交通状态预测准确率达到90.97%。本文针对多源数据下城市快速路交通状态划分、识别和预测展开了研究,形成一套融合交通流量和行程速度的技术方案,丰富了交通状态领域的研究成果。