目前以及在未来较长的一段时期内,由于信息技术的不断更新和完善,交通信息采集、传输和发布设备及相关技术将日趋先进,交通管理部门所面临的将不再是如何获得实时的交通数据问题,而是如何从大量静态和动态交通数据中提取出能够更加直观、准确、有效地反映交通状态,或是解决交通问题的信息,以满足决策需要。由于单一监测数据信息的片面、不完整、错误率高、不确定性大、信息量小的特点,交管部门一般采用并行处理多个前端系统数据信息的手段。但在实际应用中反映出了一个突出的问题,在前端系统资源的后台管理配置过程中,交通工程领域的理论技术仍然处于从属位置,决策时所调取区域数据采集点、前端摄像头大多仍主要依靠历史数据和人工经验,实际的应对效果难以应对复杂多变的交通环境。本文以路网发生拥挤后,前端系统数据信息源的有效、精准选择为主要研究对象,将其定义为后台对前端系统资源的管理配置,以空间区域作为配置的基本单元,研究基于前端系统实时数据的路段空间相关性特征,对路段进行空间数据挖掘,假设路网多处发生不同程度拥挤的情况下,通过对路段的空间交通关联性分析和空间聚类,实现后台对多个拥挤区域现场采集数据资源配置范围的确定,并给出依据数据源对路网管理控制贡献度的排序,研究旨在帮助确定科学的数据信息来源,排除无效数据,为管理者提供管理决策参考。主要包括以下研究内容:(1)基于检测原理和检测参数,对比分析了不同检测器的数据信息采集特征;研究了固定检测器的数据采集流程、数据在系统的集成计算方法,引用Hurst指数来判断交通参数是否符合时间序列趋势;研究了前端系统资源的平台管控方法;基于检测器的空间信息度和路网数据的空间效益,定义了以空间区域为单元的资源管理配置方法,引用莫兰指数进行全区域、区域单元的空间相关性验证。(2)研究了前端系统状态识别模块的判定机理,建立了基于历史数据模糊聚类的交通判别算法;定义了前端系统检测的拥挤的类型,结合管理后台资源配置的具体需求重新界定了拥挤的预警标准;基于DBSCAN聚类算法构建了路网拥挤区域划分算法。(3)改进了K-means算法并引入自然邻居搜索规则,在此基础上定义了路段的聚类算法;结合前端系统数据提出了一种基于速度和占有率的路段拥挤指数计算方法,并基于欧式距离和拥挤指数建立了拥挤点距离计算模型;分析了基于聚类的资源点位配置方法,通过建立资源与路段的匹配属性表,能够根据路段聚类确定对应资源的配置单元;依据交通态势环境建立了一种资源配置优先级的确定方法;以爱达荷州(Idaho)博伊西(Boise)市中心区建立仿真路网,验证本文模型算法的可行性。本文所研究的城市智能交通系统前端资源配置方法能够依据路网中的多处拥挤状态,确定以区域为配置单元的,后台精准调取的数据检测和视频监控对应点位,及管理配置顺序。