当前在我国城市化进程速度加快,城市化人口数量增多,机动车数量也逐年增多的背景下,人们出行成为一个重要的问题,越来越多的互联网公司和研究机构在出行领域投入巨大人力、物力、财力对出行路径规划和道路拥堵情况进行研究,比如百度地图,高德地图,滴滴出行等公司。目前,针对道路交通状态时空预测的研究有很多,本文使用的数据集为滴滴公司提供的2019年7月份西安市城市道路交通状态数据集。数据集存在数据量大,数据维度过多,样本类别分布不均衡的问题,如果直接使用这些数据集训练模型会造成训练时间繁长,普通机器的内存无法容纳,而且在我们更关心少数类样本能够被准确预测的情况下,样本类别不均衡问题对结果的影响会显得更加的突出。在这样的数据分布情况下,如果对数据集不加任何处理就进行模型训练,可能无法对结果做出准确的预测,最后模型的预测结果显然是趋向于多数类样本的,少数类样本被预测错误的概率很大,所以我们对数据集进行下采样处理,使得每种类别的样本数据尽可能分布均衡。为了尽可能使少数类样本能够被准确预测到,我们使用F1函数来衡量模型性能。本文针对道路交通状态时空预测算法做了以下三个方面的研究:第一,选用新的特征组合进行实验。使用原始的、不加任何特征提取的数据集和使用经过特征提取后的数据集分别进行实验,对实验结果进行分析,发现在同等条件下使用经过特征提取后的数据集来训练模型,模型的预测准确性更高。第二,选用不同的算法进行模型融合。我们使用处理好的数据,用传统的机器学习算法和深度学习算法进行模型融合,分别使用机器学习算法中的XGBoost算法、Light GBM算法和深度学习算法中的CNN神经网络、Res Net神经网络,并进行5折交叉验证训练,每次训练完成后预测一次验证集和测试集的结果,最后用一个GBDT梯度提升树模型把上一轮预测出来的验证集当作GBDT的训练集,再对测试集进行预测,实验结果用F1和Accuracy两种评价函数来衡量。结果显示,无论是使用F1还是Accuracy,模型融合方法都要比单模型的预测效果更好。第三,使用果蝇算法对Light GBM和XGBoost的学习率（learning＿rate）参数进行调参。为了证明果蝇算法具有更好的调参效果,我们使用了果蝇算法和粒子群算法分别对XGBoost模型和Light GBM模型的学习率（learning＿rate）参数进行迭代实验,找到最佳参数。经过实验对比,发现当使用果蝇算法迭代寻优找到的最佳参数要比使用粒子群算法找到的最佳参数具有更好的预测精度。