聚类算法作为一种重要的数据挖掘技术,能够从海量数据中挖掘出数据的模式分布,包括完成对交通流时间序列的模式划分,提取出交通流时间序列中的深层信息,达到知识发现的目的。通常情况下,交通流时间序列具有周期性、大数据量、高噪声、早晚高峰等特征,使得一般的聚类算法无法高质高效地应用于交通流时间序列的聚类。因此,本文针对交通流时间序列聚类问题,结合交通流时间序列特征分析,提出了一种基于组合型相似性度量的神经网络聚类算法。具体研究内容包括:1.交通流时间序列的特征分析。通过特征分析,结合欧氏距离和Pearson相关系数两种相似性度量,提出EP系数(Euclidean Metric-Pearson Correlation Coefficient)作为交通流时间序列的相似性度量方法,用于度量交通流时间序列的统计特征和形态特征;2.交通流时间序列聚类对比研究及模型建立。通过对k-均值、PAM、层次聚类、SOM神经网络聚类的结果进行对比分析,结合交通流时间序列数据的特征,确定使用SOM神经网络作为交通流时间序列数据的聚类算法;3.交通流时间序列聚类案例分析。采用基于EP系数的SOM神经网络作为聚类算法进行案例分析,对实测交通流时间序列数据进行聚类,并通过对比研究EP系数中欧氏距离和Pearson相关系数的权值取值对聚类结果的影响。聚类结果表明,本文所提出的聚类算法能够有效地识别出交通流时间序列的统计特征和形态特征。本文的主要创新点在于提出了一个适用于交通流时间序列的聚类模型。该模型能够根据当前交通流状态预测未来交通流时间序列的变化趋势,一方面能够便于管理部门提前确定需采取的管理模式,提高对管理资源的利用效率;另一方面能够通过预测结果与实时监控结果的对比,发现道路上的突发情况,加快对突发情况的反应速度。