近年来,随着“交通强国”战略的不断推进,人们选择出行的方式更加多样,对出行的要求越来越高。在智能交通的背景下,如何在不增加道路基础设施的前提下,准确获取道路交通网络的运行状态是智能交通系统(ITS)研究的主要内容之一。建立准确、实时的交通状态判别模型既有助于管理者及时掌握交通整体运行态势,也便于交管部门对道路网络交通情况实时监测。本文从交通流多时间尺度特性分析与参数模型、WKFCM算法及其优化用于交通状态判别等方面展开研究,主要工作如下:1.研究交通流多时间尺度特性分析与参数模型。针对经典的单段函数模型无法准确表征不同交通状态下交通流参数关系的问题,提出一种二阶段交通流参数关系模型。首先利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,其次基于相关性理论分析方法,探索了交通流在时间和空间上的相关性,最后通过PeMS系统采集的交通流数据进行特性分析和参数关系模型的拟合。2.基于WKFCM的交通状态判别方法研究。针对KFCM算法用于交通状态判别存在度量函数不合理的问题。引入加权矩阵并结合KFCM算法,提出了一种基于WKFCM的交通状态判别方法。同时利用该判别方法对实际采集的交通流数据进行交通状态的聚类分析,最后采用误判率交叉估计法对状态判别的准确性进行评估。3.基于改进的自适应GA优化WKFCM的交通状态判别模型。针对模糊C均值算法对初始聚类中心敏感且算法易陷入局部最优的问题,提出一种改进的自适应GA优化WKFCM的交通状态判别模型。首先设计自适应遗传算子,用自适应GA优化初始聚类中心并结合WKFCM算法,然后使用交通流数据进行交通状态的聚类分析和状态判别,最后与已有算法进行对比分析,表明本文模型用于交通状态判别具有较高的准确性。