高速公路是人们日常生活出行的重要载体,由于交通出行量的急剧增加,导致路网规模的不断扩大化,路网结构的逐渐复杂化,道路交通拥挤趋向常态化、道路事故频发、能源消耗增多等诸多问题也变得日益突出。目前在高速公路交通状态判别研究方面,其研究成果和实践应用均有一定基础,但并非很完善,加之新的数据源为方法的完善提供了新的方式,因此,本文开展了基于微波数据和手机数据的交通状态判别方法研究。首先,以高速公路基本路段为着手点,归纳分析了常用的高速公路交通流参数采集技术,并对比各类技术的优缺点,以此明确了以微波检测器和手机切换定位检测器采集的数据为论文研究的数据基础。另外,分析交通状态所涉及的交通参数及其之间的关系,选取交通量、速度和占有率为论文研究的交通状态参数。其次,阐述了微波检测技术和手机切换定位技术的基本原理,并对微波数据和手机数据的精度进行了分析,提出以交通量、微波检测速度值、手机检测速度值和占有率作为交通状态判别研究的参数。基于此,提出了以故障数据的识别修复和交通数据的转化为重点的交通数据预处理方法,并分析了微波数据和手机数据的各自特性,结果表明,手机测速值明显高于微波测速值,但其整体的变化趋势却保持一致。然后,分析了交通状态划分标标准,并通过模糊C均值算法的聚类分析方法实现交通状态的划分。就模糊C均值算法中分类决策模块存在的准确性问题,提出引入随机森林的分类决策算法,以此提出基于模糊C均值聚类和随机森林的交通状态判别算法。针对不平衡数据样本集对交通状态判别的影响,利用合成少数类过采样技术的方法平衡数据,解决实际数据存在的分布非平衡问题,并结合模糊C均值和改进的随机森林建立交通状态判别算法。最后,以高速公路为例,对高速公路状态判别算法进行实例分析和验证。本文先通过精确率和召回率两个评价指标,证明随机森林判别算法的可行性。接着,通过合成少数类过采样技术方法实现数据的平衡处理,同时对比随机森林算法改进前后的性能,结果发现,改进随机森林算法相对更优。并以平均分类精度和运行时间为评价指标,对改进的随机森林算法的性能与梯度提升算法、Adaboost算法以及k近邻算法的性能进行对比,结果表明,基于模糊C均值和改进随机森林的判别算法表现最优,其训练数据和测试数据的分类精度均达到99%以上,而运行时间最短。