高速公路网是经济发展的命脉所在,为了降低交通事故导致的拥堵所产生的负面影响,必须动态分析和预测事故后的交通态势演变,准确理解并直观呈现交通态势的演进过程,从而辅助高速公路管理部门进行态势研判,采取有效的管控手段进行拥堵治理和控制。交通事故对交通态势推演的影响具有多样性和复杂性,以交通大数据为基础的神经网络方法为交通态势研究提供了一种新的建模思路,本文通过构建考虑交通事故固有特征和时空特征的交通流预测模型,提出了事故影响下的交通态势推演算法,从而为交通诱导、信息服务和交通管理方面提供指导。首先,通过对国内外的交通态势推演研究现状进行梳理,确立了本文的研究目标,即融合时空特征对交通流预测进行建模、探究事故特征对交通态势的影响,最后得到事故影响下的交通流预测模型建立思路和交通态势推演算法构建思路,同时,给出了本文的技术路线和主要研究内容。其次,本文对高速公路交通流数据和事故数据进行了阐述,通过缺失数据修补、数据平滑和归一化等预处理方法提高数据质量。针对交通流速度的时间特性和空间特性情况,分析了其内在的时空相关性。针对事故情况,分析了事故等级、事故地点、天气、事故类型4个因素对事故后交通态势的影响,从而为后续的事故特征引入提供指导。再次,针对交通流速度预测问题,本文构建了基于Seq2Seq架构的考虑时空特征融合的神经网络模型（简称为DSTMA模型）。DSTMA模型通过时空嵌入模块、时空注意力模块和转换注意力模块,充分提取多交通节点的时间和空间特征;通过在各个模块间使用密集连接结构,实现特征复用的同时避免训练时的梯度消失问题。在两种高速公路交通流数据集上的实验结果表明,对于1h内的交通流速度预测问题,DSTMA取得了更好的预测精度。然后,考虑到事故固有特征对事故后的交通态势的影响,在DSTMA模型的基础上,研究构建堆叠自编码器SAE网络挖掘事故对交通流的内在影响,形成MixDSTMA模型,实现事故后交通流速度多步预测。通过SAE得到事故的隐特征后,构建一种特征融合模块,利用多样的融合机制学习事故影响的抽象表示。在事故数据集上的实验结果表明,引入事故特征后,相比于DSTMA,Mix-DSTMA取得了更精确的3h内交通流速度预测结果。通过Mix-DSTMA模型得到各个交通节点速度后,结合空间插值方法和拥堵阈值划分,建立事故影响下的交通态势推演算法,从而形成全路段交通态势表示和推演。实例分析结果表明,算法能较为准确地实现3h内的路段交通态势推演,能较好地刻画事故后的拥堵情况变化趋势。最后,为实现交通态势推演可视化,本文基于Web GIS系统和前后端技术框架,设计了高速公路态势推演系统。该系统可以嵌入交通态势推演相关算法,通过用户的点击交互,在前端实现交通路网态势推演过程显示和事故信息图表可视化。