Los eventos de bloqueo de carreteras se refieren al bloqueo del tráfico causado por deslizamientos de tierra, flujo de escombros, desastres de nieve, caída de piedras y otros factores. Para predecir eventos de bloqueo de carreteras, se utilizan como meta-modelos de predicción el modelo de elevación de límite de gradiente (XGBoost), el modelo de regresión de bosques aleatorios (RF regression) y el modelo de regresión de vectores de soporte (SVR), y luego los meta-modelos se fusionan mediante un algoritmo de regresión lógica para construir un modelo de fusión de predicción de pérdida por bloqueo de carreteras basado en aprendizaje por conjuntos. Los datos reales de eventos de bloqueo de carreteras se utilizan para entrenar el modelo. Utilizando la misma ubicación de bloqueo y características de pérdida de bloqueo similares entre puntos adyacentes para completar el valor faltante y realizando codificación one-hot para otros conjuntos de caracteres cortos con características de categoría obvias como letras, números y caracteres chinos, se superan los problemas de pérdida de datos inherente, error y desorden lógico temporal en el conjunto de datos de eventos de bloqueo. Los resultados de las pruebas muestran que la puntuación basada en el modelo de fusión de apilamiento alcanza 0.91, lo que es un 18% más alto que RF y un 11% y un 5.8% más alto que SVR y XGBoost, respectivamente, y los valores de RMSE y MAE son 0.1707 y 0.0341, respectivamente. Por lo tanto, el método propuesto de preprocesamiento de datos de bloqueo de carreteras y el modelo de fusión de predicción de pérdida por bloqueo de carreteras pueden utilizarse para predecir la cantidad de pérdida por eventos de bloqueo.