目前高速公路交通状态的判别标准大多以固定阈值比较或绝对标准为主,忽略了不同时空背景下道路环境、天气状况等客观因素的影响。为此,本文以高速公路基本路段为研究对象,依据交通流具有时间序列相似性,利用海量的交通流表征参数运行数据,构建出交通状态划分的相对标准及实时交通状态判别决策模型。对高速公路交通流的控制与管理,具有重要的研究意义与应用价值。本文首先研究了交通流运行和拥挤特性,提取交通状态表征参数,同时针对交通状态判别采用绝对标准的缺陷,提出了基于模糊聚类的高速公路基本路段实时交通状态划分的相对标准的思路。其次,基于模糊C均值聚类算法对历史交通流运行数据进行聚类分析,将获取的交通状态聚类中心作为划分的相对标准,再根据欧式距离判别实测数据的交通状态。针对模糊C均值聚类判别算法中初始聚类中心选取具有随机性使得算法不稳定、易陷入局部最优的问题,引入遗传算法对初始聚类中心选取进行优化,增强交通状态聚类分析的可靠性。同时,鉴于欧式距离决策模型计算时间复杂度较大,构建了基于核极限学习机的实时交通状态判别决策模型。从分类性能和计算时间复杂度两个角度,将该方法与支持向量机模型进行对比分析。最后,以PeMS实测的交通流表征参数运行数据为基础,对本文所构建的高速公路基本路段实时交通状态判别方法进行了仿真分析。结果表明,基于遗传算法的模糊C均值聚类算法稳定性好,收敛速度快;基于核极限学习机的实时交通状态决策模型在保证分类精度的基础上,大大节省了时间成本,具有较好的实时性。