城市道路状态感知与预测是实现城市交通智能化的核心关键之一。对于管理部门，需要对城市道路的交通状态进行实时监控预测，提高城市道路资源的利用率，同时对突发交通状态进行快速辨别和快速应对；而对于出行者，提前获取道路的交通状态信息对于出行者路径选择、缩短出行时间、避免交通拥堵有着很大的帮助。但受限于数据质量及采样率，现有对于城市道路交通状态的感知集中在中观的路网层面，缺少从微观层面对路段交通状态进行精细化识别和有效预测。为了解决上述问题，本文基于浮动车轨迹数据和城市路网数据对城市道路交通状态感知与预测方法进行了相关研究。
　　论文首先介绍了浮动车轨迹数据与路网基础数据的数据结构，并对两类数据进行了质量检查和相应的预处理，主要包括研究范围选取、无效数据清理和速度值校正等工作，最后提出了将轨迹数据转化为结构化时空数据的基本方法。
　　其次，为解决全时空范围内轨迹数据的稀疏性问题，论文提出了一种基于张量分解的交通流数据补全方法。首先介绍了张量分解的基本理论，并以实际的城市道路交通流速度数据，验证了交通流的时空相关性。在此基础上改进了基于CP分解的加权优化方法，通过合理地加入拟合交通流时变特性和路段特性的正则化项，提高了方法在不同数据缺失程度下的补全效果。
　　然后，在城市道路交通状态感知方面，论文分析了传统交通流参数用在实际应用时的局限性，提出了基于浮动车轨迹数据的道路交通状态指标选取和计算方法。通过路段浮动车流量、平均速度、速度标准差与车速比四个交通状态评估指标，以南京南站周边地区路网为例，验证了所提出指标能够客观反映出该路网交通状态的区域分布与演变特征。随后采用K-Means聚类算法，对不同等级道路交通状态指标分别进行聚类分析，结合状态特征和聚类结果，将城市道路的交通状态合理的划分为畅通、缓行、拥堵三类。
　　最后，在城市道路交通状态预测方面，论文针对传统卷积神经网络无法解决城市道路拓扑结构空间相关性挖掘的问题，引入了图卷积网络相关理论，将城市道路拓扑结构表示成基于距离的邻近性矩阵。在此基础上构建了扩散卷积循环神经网络（DCGRU），将路段交通流特征、几何特征作为网络的输入，可以同时捕获时间和空间上的依赖性，对城市道路交通状态进行预测。模型在一个月的数据集上进行了实验，结果表明DCGRU相对其它传统预测模型具有显著的优势。