论文题目： 基于神经网络算法的告诉公路交通状态判别与预测方法研究
路网状态评价方法方面，路网的交通状态与路网的运行状态实为一体，对路网进行状态的评价是改善其运行质量的前提和依据。另一方面，在我国对大城市的交通管理、道路交通服务水平、智能交通系统效果等方面的评价已有部分研究成果，但是专门针对高速公路路网状态的评价尚不多见。而且目前仅存的一些路网状态评价方法也都是针对单个路段所处的运行状态进行评价，缺少从微观路段到宏观路网的分层次路网状态评价方法。目前国内外学者对于路网状态评价主要集中在以下一些方面：
数理统计评价方法，数理统计是指研究如何有效地收集数据，如何对数据进行推理，以便对考察的问题进行推断或者预测，从而对决策和行动提供依据和建议。目前数理统计方法已经被广泛的运用于道路交通状态评价的理论研究和实际应用中。该方法主要包括回归模型和概率模型。Ewing建立了速度的简单线性回归模型，模型的构建基于两个解释变量，高峰小时的交通量和交叉口信号密度，该模型的测定系数较低，有待于进一步增加解释变量的数量来提高模型的预测精度。Margiotta等人采用NETSIM软件仿真了信号密度和平均日交通流量对平均行程速度的影响，得到了交叉口密度对平均形成速度有较大影响的结论，并对高等级主干路和低等级的主干路分别建立了回归模型。Turner利用宏观交通流理论中的网络模型，建立了高峰时段城市道路的交通拥堵评价模型，在收集了实测数据后，采用线性回归的方法针对高速公路和主干道分别建立了速度预测替代模型。Cottrell开发的拥挤持续时间模型，用于估计路网中拥堵瓶颈的拥堵持续时间，模型研究了AADT/C和拥堵排队时间的关系，并建立了二者的回归函数关系式。高斯混合模型是一种直观的概率密度模型，可以反映某段时间内图像运动的统计特征，Fatih Porikli在手机交通流视频录像后，采用了离散余弦变换和高斯混合模型来预测交通状态，根据极大似然函数准则来确定不同时段交通系统所处的状态。Joonho Ko提出了改进的基于高斯混合模型的路网状态统计模型，计算的基础是速度的分布规律，通过比较速度的均值、方差和混合分布来判断路网状态的改变。
人工智能技术评价方法，人工智能技术作为控制论、信息论、系统论、计算机科学、心理学、数学等各种学科相互渗透的产物，主要研究如何利用机器模仿人脑从事推理规划、设计、思考、学习等思维活动来解决复杂问题，其理论和应用领域涉及的范围很广。目前在路网状态判别理论方面，利用人工智能技术已经开展了大量的研究工作，主要包括：模糊逻辑、模式识别、神经网络、遗传、博弈等算法。Dowling采用模糊理论提出了评价整个区域所有交通系统的服务水平的指标。Manouchehr Vaziri率先应用模糊集理论建立了高速公路的交通状态评价模型，提出了道路交通拥堵综合评价指标来全面反映拥堵程度。Jia同样使用模糊逻辑的方法，构建了交通从自由流到拥堵状态的连续变量，建立自适应模糊神经推理系统。Ritchie开发了用于交通状态自动判别的神经网络模型，该模型适用于集成的高速公路和信号交叉口路网，通过人工神经网络能够识别和划分交通时空分布模式。蒋桂艳在分析交通拥堵特性和ANN信息处理函数的基础上，开发了基于ANN的交通拥堵识别算法。赵风波研究了基于模糊聚类分析的交通状态识别方法，提出了一种改进的模糊C-均值算法，采用启发式方法有效的解决了聚类数目和模糊指数的选取问题。
通过分析可以发现很有必要结合国内外研究现状，从单个桥隧路段状态评价分析入手，通过对多个桥隧路段进行分层路网状态评价进行研究，来评价整体路网的状态，具有理论的创新意义和现实的应用价值。