随着社会经济的高速发展,出行需求持续增加,城市路网所承受的压力也逐年增加,进行城市路网交通状态判别与预测,不仅能够为道路交通管理者提供优化目标,有利于提升管理质量,还能够为道路出行者提供出行信息。同时,随着ITS的逐步实施,以及来源于城市路网中地面交通检测设备、视频检测设备等各种交通数据采集设备的大量、多样、多源的交通数据,如何充分利用交通大数据进行城市路网交通管理是一个重要问题。此时,传统的交通数据分析已不适用于大量的交通数据。因此,有必要进一步探究适用于交通大数据和当前城市路网状态的新的交通状态判别与预测方法,以充分挖掘交通大数据蕴含的丰富交通信息,进一步提升城市路网交通状态判别与预测的准确性与可靠性。本研究旨在提高交通状态判别与预测的效果,在分析各类交通数据的基础上,采用先进机器学习方法,并有机结合特征选择、参数优化等理论方法,对交通状态判别与预测方法展开深入研究,主要研究内容及成果如下:(1)基于RBF神经网络的交通流缺失数据修复方法神经网络用于交通流领域研究的优势在于神经网络亩能够简化研究模型时的建模过程,尤其是针对交通流的非线性特征,对于复杂的非线性问题具有良好的解决能力。研究发现,RBF神经网络具有自组织、自学习、自适应的功能,不会出现局部极小值问题,对非线性的连续函数具有一直逼近性,训练速度较快,同时它可以对数据进行大范围的融合,高速处理数据。因此,本文以RBF神经网络为主体构建了交通流预测模型,随后利用模型预测值修复交通流缺失数据。为了验证其可行性和精确度,本文将提出的模型与一元非线性回归模型以及BP神经网络模型的修复精度进行了对比,结果表明本文提出的基于RBF神经网络的模型对于交通流缺失数据的修复效果更好。(2)基于小波和改进BP神经网络的交通事件自动检测方法本文在研究基础上提出了 一种基于小波和改进BP神经网络进行道路交通事件自动检测的方法,即利用小波变换对采集的交通参数数据进行处理,得到小波奇异值,随后作为改进BP神经网络的输入进行学习训练得到神经网络权值,以实现道路交通事件自动检测。(3)基于GA-ANN的交通事件持续时间预测方法本文提出了 一种特征选择方法,该方法使用遗传算法建立两个基于人工神经网络的模型,提供从事件通知到事件现场清除的事件持续时间的连续预测。这两个模型可以通过在通知事件时插入相关的交通数据来提供估计的持续时间。为了选择数据特征,遗传算法旨在减少模型输入的数量,同时保留相关的交通特征。使用所提出的特征选择方法,预测每个时间点的事故持续时间的平均绝对百分比误差大多在28%以下,这表明这些模型具有合理的预测能力。基于这个模型,出行者和交通管理部门可以更好的了解事故的影响。研究表明,所提出的模型在智能交通系统环境中是可行的。(4)基于PNW的交通状态判别方法本文提出了一种基于概率神经网络的道路交通状态实时判别方法。在选择城市道路交通状态分类指标时,考虑了日益增多的公交车数量及一些地区存在的大型货车和大型客车,选择了大车比例作为状态识别的指标之一,并提出了一种确定分类指标个数的方法,即通过计算彼此之间的相关系数来确定最终的指标。结果表明,本章提出的方法在城市道路交通状态判别中是可行和有效的。(5)基于改进遗传算法优化的小波神经网络短时交通流预测模型在本文中,考虑到收敛速度慢和小波神经网络预测算法的局部最优问题,我们提出了一种基于遗传算法优化的小波神经网络预测模型以改进初始小波神经网络预测模型的参数,并将遗传算法与小波神经网络预测模型结合用于短期交通流量预测,在遗传算法中,引入了模糊聚类搜索策略,增加了种群的多样性,避免了遗传算法中的早熟收敛问题,从而实现了解空间的全局优化。