快速路作为城市道路网络的骨架,在满足城市中长距离机动车出行和提高城市运作效率方面发挥了重要作用。但是随着机动车保有量的增加,城市交通拥堵现象愈发严重,本应为车辆提供较高行驶速度的快速路并不能发挥其良好交通功能,甚至在平峰时段也会出现时走时停的现象。而快速路的通畅与否决定了城市整体交通运行状况,因此有必要对城市快速路自身的交通运行情况进行合理划分以及实现交通状态实时判定,以此来全面掌握快速路交通运行状况,提高居民出行质量。本文基于微波检测器所获取的大量快速路交通流数据,分析整理了交通流各参数的时空特性,并从快速路的交通流运行特征出发,通过运用基于初始状态的模糊C均值算法对交通状态进行聚类,并基于聚类结果采用二叉树支持向量机实现对交通状态的实时判别,主要内容如下:首先,结合国内外对交通状态的研究现状,选取交通流量、速度、占有率三个交通流参数对交通状态进行表征。为保证后续研究的准确性,采用阈值法、交通机理法及K-邻近局部异常检验算法对异常数据进行识别,之后采用相邻数据平均法对异常数据进行修复,并再次通过LOF值对修复后的数据进行检验。其次,对交通流参数时空特性分析及宏观基本图进行描述分析,在占有率-流量关系曲线上应用弹性定义对交通状态进行初始划分,得到各状态交通参数阈值,基于此,采用模糊C均值算法优化得到各状态的聚类结果,同时聚类过程中考虑到了各参数权重分布。最后,基于聚类结果,采用类间可分度合理构建二叉树,并在二叉树每个叶子节点处训练支持向量机,得到不完全二叉树支持向量机模型,从而实现交通状态的实时判别,并将该模型判别结果与神经网络判别结果进行比较,验证了模型的合理性。