随着汽车保有量的迅速增加,有限的道路资源和不断增长的汽车数量之间的供需矛盾变得越来越尖锐,导致交通供给与交通需求之间难以平衡。这直接导致了各大中城市交通环境的不断恶化,交通拥堵日益严峻,交通控制与诱导是应对城市交通问题的重要手段,实现交通控制与诱导的关键问题之一就是实时准确的交通状态预报。如何准确检测交通事件、如何实时判别交通状态以及如何精确高效地预测交通状态,一直是智能交通研究领域的重点。本文依托国家863计划课题“大城市区域交通协同联动控制关键技术”中的子课题“面向出行行为的区域交通智能分析与多模态控制技术”,围绕集成学习技术,开展交通事件自动检测、交通状态自动判别及短时预测方法研究。论文分析了四种交通状态模式分类的方法,包括基本图法、三相交通流法、服务水平法以及集成学习法。在已有交通流状态模式划分的基础上,重点阐述了集成学习中的聚类分析法和距离度量法。交通状态是通过交通流数据来体现的,交通流数据主要包含参数速度、流量和占有率等,根据交通状态相似性划分的原理,通过计算交通流数据之间的距离确定交通状态。在明确交通事件检测问题的本质是二分类问题基础上,针对由交通事件引起的异常交通状态检测模型的检测率低、误警率高不能满足实际应用的问题,论文提出两种交通事件检测方法：基于随机森林的交通事件检测方法和基于贝叶斯分类器集成的交通事件检测方法。前者的基分类器是决策树,随着决策树数目的变化,对事件检测性能进行调整；后者的基分类器为贝叶斯分类器,并应用五种不同集成规则。论文分析了交通状态判别的实质,即可以理解为分类器学习训练不同类标签的历史交通流数据,并对实时线上交通流数据进行不同交通状态等级逻辑判断的过程。结合北京城市道路交通运行评价指标体系,引入动态分类器集成理论,提出了基于近邻规则分类器集成的交通状态自动判别算法。该方法首先计算每个基分类器在测试集样本邻域中的交通状态判别准确率,进而挑选出局部准确率最高的基分类器并对该测试交通流数据样本进行判别,输出信息即为交通状态等级。在评价判别结果时,引入交通状态混淆矩阵的概念,分别对实际状态和判别状态进行统计分析。从交通状态等级分类和交通状态指标变量的角度出发,分别实现了城市道路交通状态预测。将交通状态等级预测转化为多类分类问题,在构建数据集时把将来的交通状态标签作为历史交通状态标签,利用聚类技术对训练样本空间进行划分,选出效果较好的能力区域对待测交通流数据样本进行状态预测,并结合实地采集的数据验证该方法的有效性；交通状态指标变量的预测和其他预测问题相似,都可以转化为机器学习问题,即给定一个或若干个训练数据集,基于最佳拟合或其他原则训练出一个或多个模型,基于这些模型实现预测。在此理论基础上,提出基于数据扰动分类器集成的交通流量预测方法,该方法不依赖传统默认构建神经网络的参数,以实际交通流数据训练的结果建立神经网络模型并确定最优参数。针对城市道路交通状态判别及预测的实际应用需要,基于本文所提出的交通事件检测、交通状态判别及预测方法,设计开发了基于集成学习的交通状态预报平台。平台实时运行流畅、稳定,数据统计分析合理,为交通管理者和出行者提供了有力的信息支撑和系统保障,也从另一层面验证了本论文研究成果的实用性和有效性。