陈钊正，吴 聪

(1.江西省高速公路联网管理中心，南昌330036；2.南京邮电大学 宽带无线通信技术教育部工程研究中心，南京210003)

0 引 言

在不增加道路设施的条件下，准确地把握路网交通状态，是制定高效的交通管理控制方案及合理出行方案的基础.交通状态估计主要是通过描述交通流特性的交通流参数及其变化规律来反映交通流的运行情况，传统的单独根据单一的交通流变量来判断该路段的交通状态不够全面，不能完全地反映实际情况[1].例如，同样交通流量很低，却可以对应拥挤或者畅通两种状态；速度为零，可以对应无车辆通过的畅通状态，或者堵死的拥挤状态；而且不同高速公路受道路几何形状、限速和驾驶员行为等影响，不同道路设定的估计参数应有所不同[2].在交通流状态的分类过程中，对交通状态的估计往往不是很精确的概念，而是拥挤，畅通等模糊概念[3].

随着人工智能技术的发展与完善，为根据多变量的交通状态估计算法提供了新思路和途径[4-5].数据挖掘是在庞大而复杂的数据集中发现和提取先前未知、有效的模式及关系的过程[6-7]，所提取的信息有助于建立一个分类模型或者识别数据集中未知的趋势和关系[8-9].

本文结合高速公路实测交通流数据，利用模糊聚类、K-means等算法对速度和流量的二维向量进行聚类分析，给出适合当前高速公路特点的交通状况划分方法和关键参数，比较准确和全面地反映交通流的运……