随着智能交通系统ITS的高速发展,大量的交通流检测数据被积累下来,如何充分的利用这些交通流检测数据来指导交通的规划控制是智能交通领域需要解决的关键问题之一,而数据挖掘技术的出现正好为这一问题的解决提供了强大的理论与实现基础。聚类分析作为一种重要的数据挖掘技术,它可以从大量的数据中发现隐含的数据分布和模式,采用聚类分析方法对智能交通系统中海量的交通客流时间序列数据进行研究分析具有很大的应用价值:一方面可以发现典型的客流变化规律;另一方面还可以发现客流状况的异常,分析异常出现原因;同时还能压缩数据为后续的数据预测等其它挖掘分析做好准备。客流时间序列具有的高维、高噪声、波动频繁等特点,给序列的聚类挖掘带来了很大的不便,因此,有效地压缩序列是交通客流数据聚类分析中首先需要解决的问题。本文结合交通客流数据的特点,在分析和总结已有时间序列降维算法KPS的不足和不适用性的基础上,通过改进算法的关键点提取方法,从而设计出一种改进的基于关键点的时间序列降维算法EKPS。并通过仿真实验表明,本文所设计的改进算法EKPS能够在较高压缩率的情况下很好的保留原始时间序列的形态变化趋势,达到有效地降低时间序列维度的目的。在采用本文改进的EKPS算法对交通流时间序列进行关键点提取降维预处理之后,本文考虑到交通客流数据划分具有的模糊特性,采用经典的模糊C-均值聚类算法FCM对预处理后的客流时间序列数据集的进行聚类分析。针对FCM算法对初始聚类中心敏感以及需要人为规定聚类数目的不足,本文结合凝聚型的层次聚类算法设计出一种基于序列关键点的二阶FCM算法TSFCM。最后,利用真实交通客流数据对该算法进行了仿真验证,结果表明,改进后的算法成功的克服了原FCM算法的不足,并且可以有效地对交通客流时间序列数据进行聚类分析。