城市化带来的交通需求增长导致拥堵在大中城市蔓延,严重限制了我国的经济发展。交通管理者亟需一套实时、科学、可靠的交通状态评价体系支撑交通拥堵的治理。车牌识别数据是交通管理者最易获取的交通数据,具备高采样率、广覆盖面、强可靠性的特点。本研究利用车牌识别数据,采用数理统计、机器学习等方法从饱和性、时空均衡性和拥堵程度等多维度,从中观到宏观构建了针对路段、区域和路网的交通状态评价体系,实现全景式交通状态监控。首先,论文提出了估计城市道路自由流行程时间的方法,评价交通流基准状态。根据交通波模型和均匀到达假设推导行程时间分布函数,使用数据采样把间断流数据转换为符合假设的数据,完成函数拟合,获得自由流行程时间。论文将自由流行程时间估计问题转换为函数拟合问题,并用真实数据验证了结果的科学性和准确性。以自由流行程时间为基础,能够进行状态的饱和性评价。行程时间稳定性会极大影响交通参与者的出行体验,反映了交通状态时间分布的均衡性。论文从稳定性评价出发,基于Copula函数考虑车流相关性进行了城市路段、路径行程时间分布建模,并利用Dip检验描述行程时间稳定性。通过对比基于Copula函数的行程时间分布模型和传统模型证明了考虑车流间相互影响的必要性。在时间均衡性基础上,进一步评价状态的空间均衡性。由于交通需求、规划不均衡,交通状态在路网上的分布往往具有异质性。论文通过划分交通组团评价空间均衡性。结合车牌识别数据、路网拓扑信息和自由流速度计算路段交通状态参数;基于图论构建路网图;改进RatioCut和自动调参算法进行组团划分。算法测试和方法对比结果证明了算法能将状态相似、拓扑连通的路段归入同一交通组团。组团划分结果用于量化状态的空间均衡性。除饱和性、均衡性外,拥堵程度描述也是状态评价的重要组成部分。融合自编码器和聚类算法,本研究将路段划分为畅通至严重拥堵四个状态等级以描述拥堵程度。从车牌识别数据中提取速度、流量等特征,通过特征学习等方法获取多维交通状态参数;借助多层自动编码器构建多维参数与交通状态的映射关系;使用高斯混合聚类实现路段的交通状态划分,结果用于衡量拥堵程度。现有交通工程中常用单一维度对局部路段的交通流运行情况进行评价,存在角度不全面、结果解释性不强等问题。论文以前述研究为基础,构建了从饱和性、时空均衡性和拥堵程度等多维度评价路段、组团、路网等多层级交通状态的城市交通状态评价体系,并应用杭州市真实路网数据验证了方法的科学性和实用性。研究成果加深了对城市路网交通流的认识,为交通管理者提供理论支撑,为交通参与者提供出行参考。