随着经济的发展,城市道路拥堵现象越发频繁,频繁的拥堵会对社会带来方方面面的影响。因此运用科学的手段研究交通问题得到了社会各界越来越广泛的关注。本文围绕雨天环境下交通拥堵状态识别问题展开研究。一方面,基于卷积神经网络模型,根据交通视频信息,以道路占有率作为交通拥堵状态分类指标,构建出交通拥堵状态识别模型。另一方面,考虑到部分城市或地区因气候和地理因素饱受雨天环境影响,容易对以视频信息作为来源的交通拥堵状态识别系统产生干扰问题,本文基于残差神经网络,通过学习雨条纹的特征信息,有针对性的消除雨天环境对其带来的不良影响,构建雨天环境下的一体化识别模型;最后,搭建雨天环境下交通拥堵状态识别验证平台,通过仿真实验验证trafficnet有效性。综上,本文的主要工作包括以下三个方面:1.针对交通拥堵状态识别问题,建立了一种基于多尺度卷积神经网络的识别模型围绕智能交通系统,针对目前的交通拥堵识别问题,开展交通拥堵状态识别的前期探索性研究。首先,通过道路服务水平这一指标,本文将交通拥堵划分为四个等级,进而构建交通拥堵状态数据集。其次,结合多尺度卷积神经网络,本文设计了一种交通拥堵状态识别模型。最后,完成模型训练进行对比实验。通过比较相关文献的交通拥堵状态识别方法,验证了所提出的模型的有效性。实验结果表明,采用本文模型可以有效对交通拥堵状态进行识别,并且与其他方法相比较,具有更佳的性能。2.针对雨天环境的影响,提出一种考虑雨条纹特征的trafficnet交通拥堵状态识别模型首先,本文针对雨天环境下的交通拥堵状态识别问题,设计了一种trafficnet模型,以提高交通拥堵状态识别的准确性和鲁棒性。trafficnet模型的第一部分被用来降低雨天环境对图像的影响,恢复清晰图像。通过学习雨条纹的特征,估计出雨天图像的雨条纹并与原图进行结合恢复出清晰图像;其第二部分在第一部分得到清晰图像的基础上进一步进行交通拥堵状态识别。其次,实施了对比试验,本文通过比较相关文献的交通拥堵状态识别方法,验证了所提出的trafficnet模型的有效性。最后,实验结果表明,采用trafficnet模型可以有效降低雨天环境对交通拥堵状态识别的干扰,相较于其他方法,具有更佳的性能。3.设计并搭建服务器平台,部署并验证trafficnet模型的有效性本文采用Flask框架在Windows Server 2016系统下搭建轻量级应用服务器,将trafficnet模型在服务器上进行部署。其次,基于Android操作系统设计了客户端程序,利用HTTP协议和服务器之间进行通信。客户端设计分别涉及了用户的账户注册、登陆、账户退出、修改账号密码等基础功能,以及交通视频上传和服务器返回识别数据等功能。最后,基于上述平台和部署完毕的模型,实施仿真模拟实验进行交通拥堵状态识别,验证了模型的有效性。