针对传统排队尾车驶离状态预测模型难以适应排队消散的不确定性问题，提出了一种轨迹数据驱动的排队尾车驶离状态预测模型。首先，分析排队消散轨迹形态及潜在影响因素，以揭示排队尾车驶离状态的不确定性。然后，从排队等待和车辆启动两个阶段入手，提出排队尾车驶离状态影响特征集。最后，基于极端梯度提升（XGBoost）算法构建排队尾车驶离状态预测模型，引入SHAP(SHapley Additive exPlanations)可解释机器学习框架解析所有特征的贡献度，并确定最优特征组合及模型参数。研究结果表明：本文基于XGBoost的尾车驶离时间预测模型平均绝对百分比误差（MAPE）为5.74%，比运动学模型预测精度提升约10%；尾车驶离速度预测模型MAPE为9.98%，比运动学模型预测精度提升约6%，且预测性能均优于随机森林、决策树和多层感知机神经网络3种常用机器学习方法。研究成果可为车路协同环境下交叉口信号相位最小绿灯时间调节与网联车辆生态驾驶提供技术支撑。