对交通拥堵状态进行识别的研究一直是智能交通领域的重要研究方向，如果道路发生交 通拥堵能够被及时和准确的识别，那么交通管理者就能够有效地对拥堵车辆进行疏散，提前 对即将驶入拥堵区域的车辆进行诱导，重新规划路径。国内外众多学者对此都展开了深入的 研究，也取得了显著的成果。 75530

1 国外研究现状

国外早期的交通状态识别算法主要是利用固定车辆检测器获取的交通流参数，包括交通 流量、占有率和车速等参数来判别交通运行状态。20 世纪 60 年代左右美国加州运输部开发 了加利福尼亚算法，该算法能够判别道路上发生的突发性交通事件。20 世纪 70 年代左右美 国德克萨斯州交通协会开发了标准偏差算法，该算法通过统计参数的标准偏差，在根据设定 好的阈值比较来判断道路上的突发性交通事件[3]。 

1974 年 Cook 开发了指数平滑算法用来识别突发性交通事件，该算法先是对交通检测器 测得的数据进行平滑处理，再用平滑处理得到的数据与事先设定好的阈值进行比较，从而对 交通拥堵是否发生进行识别[3]。 

1990 年 Persaud 等人在突变理论的基础上提出了 McMaster 算法，该算法能够判别由交通 需求过大导致的交通拥堵事件[4]。这种算法是通过观测历史数据来构建占有率和交通流量的 关系分布模型，然后进行实测数据与模型数据进行比较，根据两者比较后的关系来判别交通 拥挤是否发生以及拥挤的程度[3]。 论文网

2001 年 Luk 和 Chung 等人对高速公路和城市道路的交通流特性进行分析后，提出了一种 概率事件算法，该算法能够识别城市主干道的交通状态[5]。 

2002 年 Antony 和 Matthew 定义交通拥堵状态为：占有率超过规定阈值的交通状态，并 运用指数函数、对数逻辑、对数正态分布和威布尔四种函数对实际测量的城市道路拥挤持续 时间进行拟合，通过四种函数的拟合结果得出：对数逻辑函数适合描述城市道路拥挤持续时间[6]。 

2004 年 Y。Li 和 M。McDonald 研究高速公路交通事件发生的情况，提出了一种基于浮动车 的交通事件检测算法，该算法采用的参数是：整段平均行程时间和两个相邻时段的平均行程 时间。如果路段的行程时间由于交通流量的变化而快速增加，且增加的速度比正常交通流量 的情况下快很多时，则认为相应的交通事件发生[7]。 

2007 年 Yaster 采用模糊理论中的模糊逻辑来判断交通拥堵状态，采用这种方法主要是 考虑到了交通状态判别具有很大的不确定性，拥堵和通畅状态之间没有明确边界的特性；并 且与传统方法相比，该方法消除了传统方法中临界状态阈值决策的问题，判别结果是由选择 的模糊集隶属函数来决定的[8]。 

2 国内研究现状

国内对道路交通拥堵状态识别的研究起步较晚，但随着智能交通在国内逐渐发展，国内 学者们对国外提出的相关交通状态的识别算法进行深入研究后，在此基础上进行改进和创新， 建立新的模型对交通状态进行识别，也取得了良好的识别效果。 

2000 年姜紫峰和刘小坤基于多层前向反馈人工神经网络建立了交通事件检测模型，该检 测模型通过一个 4 层的 BP 网络来实现对交通事件的检测。经过大量数据的验证，这个检测 模型在识别率和平均识别时间等方面都取得了较好的效果[9]。 

2001 年郭恒明和张鹏飞设计了一种基于环形线圈的高速公路累积占有率异常检测算法， 该算法能较好地避免随机波动的检测数据影响结果，从而提高了检测结果的精度和准确率[10]。