随着城市机动车保有量不断增加,交通拥堵问题日益严重,极大降低了交通系统的运行效率。交通状态识别作为交通控制和诱导的前提,能够有效缓解交通拥堵,因此对其进行研究具有重要意义。本文以信号控制交叉口作为研究对象,根据它的交通特性,建立了交叉口交通状态模式识别模型,并基于识别结果,制定了信号配时方案。本文通过绘制交叉口交通流的时序图,发现其存在波动性和周期性,并根据这种规律建立了交叉口交通状态模式识别模型。该识别模型认为,各相位不同交通状态的组合构成了交叉口不同的交通模式,其中交叉口各方向交通状态是识别的基础。同时,结合路段和交叉口的交通状态度量方法,将交叉口各方向交通状态分为四类:畅通、平稳、拥堵、严重拥堵;并根据常用的识别参数和交叉口的交通特点,选取排队长度、饱和度、占有率作为交通状态模式识别的交通参数,为下文聚类和识别奠定理论基础。交叉口各方向交通状态的识别采用无监督学习和有监督学习结合的方法。根据交通状态的模糊性和不确定性,本文将模糊理论用于聚类算法中,并考虑模糊C均值的聚类效果比较依赖初始聚类中心的选取,引入遗传算法,将交通数据样本的序号作为编码对象,对初始聚类中心进行寻优,获得更加稳定和准确的聚类结果。通过VISSIM仿真的交通数据对方法进行验证,得到了四种交通状态下的数据样本,结果表明:GA-FCM的交通状态聚类算法较于FCM算法,全局搜索能力表现更好,迭代次数减少了38.71%。为了完成对交通状态的实时识别,本文提出基于粒子群优化的极限学习机模型。先使用粒子群优化算法确定初始权重和偏差的取值,再利用聚类得到的四种交通状态对应的历史数据训练机器学习网络。结果表明,PSO-ELM算法与传统ELM、KNN和SVM算法相比,识别精度和稳定性都更好。最后,采用专家打分法刻画了四种交通状态对绿灯时间的需求程度,获得了不同交通状态的权重,并根据权重重新制定了不同交通模式下的配时方案。以平均排队长度、最大排队长度和车均延误时间为评价指标,通过VISSIM仿真实验验证了考虑交叉口交通状态模式识别结果的信号配时方案的可行性。