随着交通负荷持续增长和交通需求日益旺盛,交通系统面临严峻的挑战。交通运行状态评价是把握交通系统行为、制定交通管理决策的基础。随着可靠性技术领域的拓展,交通运行可靠性已成为评价交通系统性能的重要部分,交通运行状态已延伸至道路运行水平和道路运行稳定性两个层面。交通运营管理部门和公众出行者需要直观简明的信息辅助决策。与此同时,“互联网+”和大数据时代的蓬勃发展推动了智慧交通进程,也为交通管理与决策范式革新带来了机遇和挑战。本文以陕西省交通运输科技项目“省域高速公路运行服务评价方法及应用研究”为依托,立足于交通运营管理和公众出行决策的实际需求,为进一步丰富交通运行状态的内涵,研究大数据驱动下的高速公路交通运行状态评价的理论方法与应用实践,是对现有成果的改善、补充以及有益探索。(1)数据质量分析和数据特征分析。数据预处理一方面是要提高数据的质量,另一方面是要让数据更好地适应特定的挖掘目标。数据质量控制是保障研究结论合理准确的关键步骤和基本前提。为保留重要价值信息,提出四分位法与统计原理相结合的非对称高速公路行程时间数据清洗原则。目前通常采用统计量对数据的集中趋势和离散程度进行测度。提出一种基于非参数检验的时间、空间和车型维度数据分布特性测度方法。车型维度检验结果表明,小客车和大客车的行程时间数据分布具有显著差异,需要按照交通调查标准进行车型维度细致区分。(2)高速公路行程时间可靠性估计方法。行程时间分布估计被认为是行程时间可靠性量化研究的重要开端。目前国内外文献中对于行程时间的分布函数尚未形成统一的研究结论,且传统参数估计方法依赖于事先对总体分布的假设。在概率分布簇不确定的前提下,提出了一种基于小波密度估计的高速公路行程时间分布模型的非参数建模方法,可以灵活应用于不同等级、不同交通状况的道路。定义拟合优度衡量指标,对两种非参数模型和五种参数模型进行比较和分析。结果表明,利用小波密度估计来近似行程时间分布函数效果最佳。实例验证了该方法的准确性和有效性,同时探讨了ETC对高速公路行程时间可靠性的影响。(3)高速公路行程时间短时区间预测方法。行程时间预测的可靠性逐渐成为公众出行和管理者决策的关注焦点。一些研究主要以组合模型和数据融合两种方式改进行程时间短时预测模型精度。大多数研究重点都集中在点预测,即只是下一时刻的预测值,并不包含置信水平和预测区间范围等辅助决策的信息。针对点预测的不足,提出一种基于Bootstrap的高速公路行程时间短时区间预测模型。对常用的K最近邻和小波神经网络两种预测模型进行改进并比较预测误差,将预测误差较小的K最近邻(K Nearest Neighbor,KNN)算法引入Bootstrap策略。定义区间预测性能指标,比较不同Bootstrap方法的KNN预测区间性能。结果表明,采用Percentile Bootstrap-KNN区间预测模型的区间预测性能最优,且较单一的KNN模型能够降低预测误差。(4)高速公路交通运行状态评价与分析。当前的交通运行状态或者服务水平标准是基于密度参数,该参数直接采集困难。针对交通运行状态界限模糊的特点,提出一种以行程时间的统计数据作为替代基于交通流密度的高速公路交通运行状态评价方法,以供道路使用者和运营管理者使用。以畅通可靠度、基本畅通可靠度和轻微拥堵可靠度作为评价指标,考虑参数权重和样本容量差异两个问题,对模糊C均值聚类在交通运行状态判别应用进行了改进。结果表明,提出方法在收敛速度和误判率两个方面均得到改进,能够有效描述高速公路交通运行状态。最后,概述陕西省高速公路网运行态势监测现状,并进行实例分析。设计基于历史数据的交通可靠性指标阈值标准的标定方法,构建了面向道路使用者出行场景下的决策流程。