随着社会的不断发展,高速公路已经成为一个国家经济快速发展的重要保障,然而高速公路交通安全和拥挤堵塞问题也逐渐成为全世界关注的难题。智能交通系统中的智能控制与实时诱导系统可以有效缓解交通拥堵、减轻环境污染、提供高效安全的高速公路通行状况,然而实现这些的前提和关键是能够对短时交通状态进行准确的预测。因此,本文重点研究高速公路短时交通状态预测问题,并将其划分为两个子问题,一是利用历史交通数据进行短时交通参数的预测,二是利用得到的预测交通参数值进行交通状态判别,这样间接地实现了短时交通状态预测。本文首先研究了短时交通参数预测问题。已有的工作将基于时间序列预测以及机器学习的模型和算法应用于短时交通参数预测,但这些静态模型要求输入为定长的历史数据,不能动态确定最优历史交通数据长度,导致预测效果不够理想。为解决该问题,本文提出了一种基于长短时记忆递归神经网络的预测模型,利用模型记忆块中三个乘法单元的长时记忆功能,可以动态确定最优历史数据长度进行预测,以得到更好的效果。使用美国加州高速路网交通数据进行分析建模并与已有的经典预测模型进行对比,验证了本文提出的预测模型有更高的预测准确度、良好的扩展性和长时记忆历史数据的能力。在交通参数预测的基础上,本文研究了交通状态判别问题。由于交通数据受异常的噪声数据影响比较严重,已有工作使用交通流理论和模式识别对交通状态进行判别的方法不能有效地抵抗噪声数据,导致判别结果不够理想。为此,本文提出了基于可能性模糊C-均值聚类的交通状态判别模型,该模型引入了典型性矩阵,可以有效识别异常的噪声数据。通过美国加州高速路网交通数据进行分析建模并与经典判别模型对比,验证了该模型对于交通状态判别的准确性以及在聚类训练和交通状态判别过程中良好的抗噪能力。基于长短时记忆递归神经网络的交通参数预测和基于可能性模糊C-均值的交通状态判别共同构成了高速公路网短时交通状态预测模型,其拥有更高的预测准确率和良好的抗噪声能力,为智能控制和实时诱导系统提供了可靠的保障,进而可以缓解高速公路交通拥堵状况。