余 庆，胡 尧,2

（1.贵州大学数学与统计学院，贵州 贵阳 550025；2.贵州省公共大数据重点实验室，贵州 贵阳 550025）

0 引言

随着经济的快速发展，我国汽车保有量不断增加，交通拥堵问题不断加剧。交通状态的分类识别能从整体上反映道路的交通状况，有助于交通管理部门制定相应的拥堵缓解措施或为出行者推荐合理的出行路线。同时，准确的交通状态识别和描述对于道路交通的智能化发展及解决道路交通拥堵、提高路网服务水平等至关重要，因此有必要对其进行深入研究。

国内外学者主要基于交通参数[1-2]、图像特征[3]、高空视频[4]等对道路交通状态进行识别。如Ricardo 等[5]结合道路间的空间相关性，基于K-均值（K-Means）聚类算法实现日常交通模式的识别；Bae 等[6]基于交通密度数据，采用Gaussian 混合模型识别高速公路交通状态，并检测交通相位的变化；郭海涛[3]基于交通区域特定的图像特征来识别交通拥堵状态；彭博等[4]基于三维卷积神经网络——深度神经网络方法，采用高空视频数据对道路交通状态进行识别和预测。由于交通状态具有模糊性和不确定性，近年来模糊理论方法在交通状态识别领域得到广泛应用，如陈忠辉等[7]应用模糊C 均值（Fuzzy C-Means,FCM）聚类算法分析历史交通流，并结合随机森林算法预测短时交通状态；陈钊正等[8]基于K-Means 算法和FCM 算法，给出适合高速公路特点的交通状态划分方法和关键参数。

在用聚类分析法进行交通状态识别的过程中，不同分类指标对聚类分析结果的影响程度不同，为提高交通状态识别的有效性，研究人员探索对分类指标进行赋权[9-10]，如王宇俊等[11]对宏观交通参数的权重分配进行多次实验，并通过比较误判率从中选取最优的权重分配方案；……