随着城市汽车保有量逐年激增,而城市可利用的空间资源越来越少,使道路交通供需关系发展的不均衡问题愈加突出,导致交通拥堵问题日益严重。而对城市路网交通状态进行快速准确的判别成为制定缓解交通拥堵策略的先决条件。交通状态判别结果的准确性受到所获得的交通信息质量的直接影响,由于单一检测器数据可靠性无法满足后续计算要求,所以通过对多源检测器数据进行处理从而来提高数据质量。因此本文提出基于多源信息处理方法的道路交通状态判别对缓解交通拥堵具有实际应用意义。本文分别对交通数据处理和交通状态判别两方面进行了研究,主要研究内容有:(一)针对检测器缺失数据影响整体数据质量的问题,建立基于灰色理论与支持向量机的组合数据修复模型,该模型既考虑到灰色理论自身在处理“小样本”、“贫信息”数据上的优势,能够利用较少的数据修复出故障的交通流数据,同时,考虑到支持向量机处理非线性数据的优势和其较好的泛化能力,故而将其用于交通流缺失数据的补齐修复,并进行实例验证,该组合模型修复精度较优;(二)考虑到单一的交通检测器在对交通参数进行检测时各有优缺点,建立遗传小波神经网络的多源交通数据融合模型,以不同检测器数据序列为基础,分别从单一数据源构建遗传小波神经网络的交通预测模型,再通过最小二乘融合法将结果进行融合处理,经验证融合后数据质量优于单一检测器的数据;(三)针对路段判别的实时性要求,考虑到获取的路段样本数据存在边界交织或边界不清晰的问题,建立RS-FCM组合模型,将两种方法进行结合,在避免主观因素干扰的前提下,得到属性约简后的决策规则,得到对不同交通状态影响较大的影响指标集合,生成更加精简的交通状态判断规则,使交通状态判断准确可信;(四)为使判别结果能兼顾路网特征,建立基于多层次模糊综合评价的路网交通状态判别模型,在采用该方法对道路交通状态进行评价时,同时考虑到路网静态特征的不均衡性以及各交通动态特征对指标影响程度的差异,并考虑主客观因素对综合评判时各因素的权重分布进行优化,使路网交通状态判别结果更符合实际路况。经实例验证,模型在进行路网交通状态判别时有较高的准确率。