交通状况判别和预测一直是智能交通的一个重要环节，而状况的判别必须依赖于交通参数，高速公路交通参数主要有交通流量、密度、速度等；而这些参数的获得多是来自检测到的交通数据，这必须得依赖检测器。目前应用成熟的数据采集方式很多，但优劣势具有；鉴于传统检测设备具有建设成本高、维护费大、易损坏、受自然条件影响等局限性，而手机定位技术采集交通数据，由于其投资小、覆盖范围广等特点，收到国内外的普遍关注；由于现在手机定位的精度还难以满足ITS建设的要求，但是仍然具有重要的发展趋势；本文假设在精度满足的条件下先通过获取手机定位数据，然后数据的处理形成车样本信息，再通过密度聚类把车样本划分成若干区域，提取各区域的交通参数分别讨论，最后对得到的交通参数进行模糊推理，同时通过贝叶斯估计不断修正模糊推理中的隶属度函数进而进行交通状况的判别；本文通过借助数理统计和数据挖掘为传统交通判别技术和方法提供一种新的方法和思路，在这种手机定位方法的基础上，按照数据分析—理论推导—实例验证的思路进行相关的研究，主要工作有：1）在数据的获取上引入手机定位，在考虑车载手机的特征基础上实现手机样本转为车数量样本，数据处理获取车样本信息（车样本数量和速度）；2）对车样本进行密度聚类，由于某段不畅通时，车流呈现的形状往往不是球状的，所以用密度聚类方法；对车样本密度聚类结果进行性分析和判别（每类的车辆数是否超过阈值进行判别），并对阈值的提取转开讨论；此外用实验对密度聚类和K均值聚类的效果进行比较分析；3）将阈值看作是未知参数，进行估计，此时考虑修正问题，所以采用贝叶斯估计，旨在通过先验分布与样本分布的影响使阈值更合理。在假定车流在畅通和拥挤时分别服从泊松分布和二项分布的条件下，先对两种分布进行卡方拟合优度的假设检验，然后进行阈值的贝叶斯估计，并和极大似然估计进行比较。4）根据获得的阈值，确定车流量模糊划分对应的隶属度函数，模糊处理样本数据，并以此建立模糊决策树，提取模糊规则，用提取的规则对检验样本进行模糊推理，对实现交通状况的判别和预测。模糊推理实验结果获得较高的准确率。