随着高速公路网线建设越发趋向饱和,利用智能交通系统提升高速公路运营管理水平,以应对快速增长的出行需求和有限的道路供应间的矛盾,重要性越发凸显。交通流量作为ITS的基础性参数,对其实现精准预测、尤其是对未来较长时间范围多时段细粒度流量的预测,是亟待解决的关键技术难题。高速公路作为全封闭收费公路,信息化水平较高,其收费系统积累了海量历史收费流水数据,且持续自动生成实时数据,这为数据驱动的交通状态预测模型提供了关键支撑。然而在实际生产环境中,由于收费软件的缺陷导致部分实时流量数据的获取存在一定延迟,因此为了提高预测模型输入数据质量,需要加入缺失数据补全的预处理环节。本论文以海量数据为驱动,从目标流量形成机制出发,综合考虑多维度、多因素关联以及实际生产环境存在的条件限制,对如何实时准确预测区域内多个高速公路收费站出口流量进行了深入研究,旨在为提高高速公路交通管控诱导水平提供基础性支撑,研究工作如下:1.针对因数据传输存在延迟而导致近期入口流量数据部分缺失的问题,考虑到缺失位点流量与邻近时空观测流量存在关联,且缺失数据补全属于无监督学习问题,提出基于生成对抗网络的收费站入口流量实时数据缺失补全模型。通过实例验证了所提出模型的补全误差低于常用模型。补齐输入向量维度的同时,保证了输入数据的质量。2.利用广东省全省收费站出口流水数据,分析了广东省高速公路收费站出口流量来源空间分布情况。根据到达收费站车辆的平均行程时间,将收费站流量吸引分为近程吸引、中程吸引、远程吸引三类。并通过选取典型站分析其流量来源分布密度,发现单站流量来源存在明显的集聚现象、流量来源分布与区域经济发展水平有着密切的关系。为后续提出主要以入口站流量为输入特征、加入注意力机制的预测模型提供了思路来源。3.从微观交通演变、宏观趋势关联的方面分析了出口流量与入口流量的关联机制,提出存在局部空间关联、局部时间关联、整体空间关联三大机制,并分析发现关联机制具有时变性。此外通过分析收费站历史出口流量时间分布,发现出口流量自身具有时变规律和近期趋势延续性。为预测模型的构建提供了交通知识储备。4.基于分析所得收费站出口流量关联机制,提出以目标站的周边站或已知可能强关联站之历史入口流量序列为主要输入特征,在嵌入LSTM神经网络的Encoder-Decoder框架中加入时间、空间注意力机制以使模型具备挖掘并放大强关联时空特征的能力,此外加入自身历史流量序列和时间属性序列作为外部特征,构建了高速公路多收费站多时段出口流量预测模型。5.选取广州市北部高速公路路网关键区域作为实验区域,预测区内共14个收费站未来2小时共8时段的15分钟出口流量。通过提取分析训练过程的时空注意力权重向量,验证了空间和时间注意力权重分布的合理性,强化了模型训练过程的可解释性。并通过比较不同模型的整体误差和单点误差,验证了模型各模块的有效性。