随着城市的快速发展，道路网络交通流越来越复杂，使得路网交通状态不但会随着时间的变化而变化，还会受到空间因素的相互影响。智能检测技术的成熟以及在交通领域的广泛应用，为交通系统提供了种类和数量越来越多的交通数据，融合处理多源海量数据能为交通状态指数分析和交通流精细化管控提供更全面的交通信息。由于传统基于先验知识和数学模型的数据处理方法存在参数复杂、假设过多等弊端，因此采用数据驱动的智能算法对多源海量数据进行融合，得到完整、可靠的交通状态指标数据；同时考虑路段物理特征、交通流变化及时空影响特性对状态权重的动态影响，利用指标融合数据和数据驱动技术对交通状态指数进行动态分析，能为交通管理控制、居民出行选择提供有效的信息支持。
　　首先，从交通状态指数对静态、动态数据的需求出发，分析了数据采集技术性能特点及多源动态数据基本特征，并对交通状态指数量化指标、经典计算模型以及常用数据驱动方法进行了详细介绍。
　　其次，根据浮动车GPS数据异常情况提出了基于ArcGIS的数据处理与地图匹配方法；针对固定检测(视频、微波、地磁)数据采用动态阈值和交通流机理识别的基础上，构建了基于PSO-SVR的故障数据修复预测模型。考虑到单源数据的局限性和多源信息的互补性，在时间、空间匹配的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点，设计了基于GA-WNN和最小二乘法的多源数据融合模型。算例验证表明，修复、融合模型能以较快速度得到高质量、高覆盖率的状态指标数据。
　　然后，考虑不同路段、不同道路在区域路网中重要程度和影响权重差异，在路段静态物理属性和动态交通需求的基础上，结合时空相关系数量化路段与周边邻接路段交通流影响程度构建了基于多属性的重要度评估指标，并建立了基于层次-熵权TOPSIS决策的路段重要度测算模型。基于此，结合路段重要度指数和道路车公里数动态确定了状态影响权重，为道路、路网交通指数计算提供了依据。
　　最后，针对交通状态的模糊性和主观性，利用遗传算法全局搜索技术与模拟退火算法局部寻优能力提出了基于SAGA-FCM的交通状态划分方法，确定了状态指标对应不同交通状态的区间范围。基于此，结合指标分级区间和状态影响权重基于直觉模糊熵理论构建了交通状态指数模型，从路段、道路、区域路网三个层面实现了状态指数动态计算及相应等级实时划分。案例分析表明，多源数据驱动的交通状态指数模型具有较强稳定性和较高准确度。