交通流的波动性和不确定性是交通控制复杂性的主要原因之一。这种波动性不仅表现在不同时间上的交通流变化,也表现在不同空间上的交通流差异,本文主要研究面向交通控制的时段划分与子区划分,其中子区划分部分又可根据控制区域的大小,分为用于干线协调控制的协调路口划分和用于区域协调控制的子区划分。在时段划分方面,分析了聚类数据的组成和间隔对时段划分的影响,在对经典的NJw谱聚类算法进行改进后,应用在一个路口和多个路口的时段划分中,并与K-means算法得到的结果进行仿真对比.然后考虑使用多天的交通流数据后,对时段划分流程进行改进,使用主成分分析法对数据进行降维处理后,使用Self-Tuning谱聚类算法进行时段划分,从聚类效果和仿真试验两方面证明了该方法的有效性。接着考虑到交通流的时序特征,使用有序聚类对最佳周期数据进行分析,效果优于K-means算法。在协调路口划分方面,首先分析了Synchro软件中用于描述路口关联性的协调因子计算模型,然后用实例分析了Synchro软件划分协调路口的步骤和方法,仿真结果表明Synchro软件无法直接得到最优的划分,而且协调路口的划分对协调控制的效果具有显著的影响。然后根据通过路口数最大的模型,建立了协调路口的划分标准,方法简单有效。在子区划分方面,首先微观仿真软件VISSIM建立仿真环境,分别分析一个路口周期、绿信比、饱和度的变化对邻近路口控制方案和控制效果的影响,以深入理解交叉口的关联性。然后利用复杂网络中的社团划分算法,进行改进后应用在加权网络中,得到大范围交通网络的子区划分方法。