城市道路交通流量的持续增长导致交通运行状况逐步恶化,继而出现了越来越频繁的交通拥堵现象。如何准确、实时地识别交通状况已成为一项重要的研究课题。交通管理人员借助实时、有效的交通状态判别技术能够充分掌握城市道路的运行状况,通过相关平台将当前交通状况及时地发布出来,就能够在很大程度上避免交通拥堵现象,从而实现对交通的实时诱导,并提高整个道路交通网络的效率。本文首先研究了常用的交通流参数特点,选取平均交通量、时间平均速度和时间占有率作为判别城市道路交通状态的参数;通过对不同时间间隔下城市道路流量随时间变化图像的对比,选择了5分钟时间间隔来区分交通状态。接着,本文介绍了模糊C均值聚类算法(FCM)原理,并提出了用聚类有效性函数来确定模糊C均值聚类算法中最优分类数目的取值;接着针对FCM算法在选择初始聚类中心时具有随机性,导致结果很容易陷入局部最优解、使得算法稳定性较差这一问题,本文对传统的模糊C-均值聚类算法(FCM)进行优化,提出了基于遗传模拟退火算法(SAGA)改进FCM聚类算法的城市道路交通状态分类算法。通过实例验证,结果表明本文提出的SAGA-FCM算法不仅能够有效地克服FCM算法在初始聚类中心选择过程中存在的问题,并且与FCM算法相比具有收敛速度更快,稳定性更好的优点。最后,本文介绍了什么是人工神经网络,并介绍了BP神经网络、径向基函数神经网络的原理。接着介绍了同样采用径向基函数作为模式分类的GRNN和PNN神经网络。然后本文对SAGA-FCM算法聚类后的各类交通状态数据集的特征进行提取,运用GRNN和PNN算法分别对各类交通状态数据集进行学提取,建立了基于GRNN、PNN的城市道路交通状态判别模型。实例验证结果表明,在本文提出的基于SAGA-FCM和GRNN、PNN的交通状态判别方法中,GRNN和PNN算法10次运行后的平均正确率都在95%以上,并且平均运行时间都少于1秒钟。由此证明了将GRNN和PNN算法作为交通状态判别模型是可行并且合理的。