1.一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述评价方法包括以下步骤：

1)建立道路交通特征参考序列，获取不同模态下的道路交通基准数据；

2)提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，经过阈值化处理，获取训练数据的特征；

3)对已有的道路交通服务水平进行模糊化处理，结合训练数据的特征，完成知识库的构建；

4)提取道路交通测试数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取测试数据的特征；

5)通过KNN特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；

6)将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成道路交通服务水平评价。

2.如权利要求1所述的一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤1)中，建立道路交通特征参考序列，获取不同模态下的道路交通基准数据，包括如下步骤：

1.1)设计道路交通特征参考序列的结构

设定道路交通状态数据的采集周期是Δt，道路交通特征参考序列的表格式如表1和表

2所示，表1为道路交通特征参考序列信息表，表2为道路交通特征参考序列描述表；

表1

表2

1.2)通过数据预处理，建立道路交通运行特征参考序列

道路交通运行模态的划分分为两个层次：路网层和路段层，设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定；

获取目标路段的具有代表性的道路交通状态数据，并进行数据预处理，将经过数据预处理后的道路交通状态数据输入道路交通特征参考序列中，从而建立道路交通特征参考序列。

3.如权利要求1或2所述的一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤2)中，提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：其中，Mgh为模态；Δt为道路交通状态数据的采集周期；(m*Δt)为第m个道路交通状态数据采集周期，0≤m≤N，N表示每天采集的交通信息的条数； 表示(m*Δt)时刻的训练数据； 表示(m*Δt)时刻的基准数据；S(m*Δt)表示(m*Δt)时刻训练数据与基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段训练数据和基准数据的差值数据； 表示阈值； 表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。

4.如权利要求3所述的一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤3)中，通过已有的道路交通数据和道路交通服务水平模糊划分，结合训练数据的特征，完成知识库的构建，其一般表达式如下：其中，φ表示当前的道路交通状态与模糊化的服务水平的映射关系，Losm表示模糊化后的道路交通服务水平。

结合(4)(5)，得到交通运行状态与特征之间的关系：

Losm＝ω(hem)  (6)

其中，ω表示模糊化的服务水平与交通运行特征之间的映射法则，从而完成知识库的构建。

5.如权利要求4所述的一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤4)中，提取道路交通实时数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取实时数据的特征，其一般表达式如下：其中 表示(m*Δt)时刻道路交通实时数据；MS(m*Δt)表示(m*Δt)时刻实时数据与基准数据的差值数据； 表示Δt到(m*Δt)时间段实时数据与基准数据的差值数据； 表示经过阈值处理后的差值数据，即为实时数据的特征。

6.如权利要求5所述的一种基于模糊KNN特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤5)中，通过KNN特征匹配算法，选取知识库中与实时数据特征距离最近的k个特征，并求出对应的模糊化的服务水平，过程如下：

5.1)计算训练数据的特征与实时数据的特征的距离

dist(m)＝||TheMgh(m)-heMgh(m)||  (10)DN(m)＝[dist1(m)dist2(m)…distN(m)]  (11)其中，||||表示求取欧式距离，dist(m)表示Δt到(m*Δt)时段实时数据的特征与知识库中特征的距离，N表示训练数据的组数，DN(m)表示N组实时数据的特征在Δt到(m*Δt)时段内到N组训练数据的特征距离集合；

5.2)找出k个最近距离对应的特征，设k个特征为s1，s2，…sk，根据特征与服务水平的映射关系，则有(L1，L2，…Lk)＝ω(s1，s2，…sk)  (12)其中L1，L2，…Lk分别表示s1，s2，…sk对应的模糊化的服务水平。其中，分别表示模态Mgh下、Δt到(m*Δt)时段畅通、一般拥堵、严重拥堵的概率。

7.如权利要求6所述的一种基于模糊KNN特征匹配的道路交通运行状态评价方法，其特征在于：所述步骤6)中，将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成道路交通服务水平评价，过程如下：将k个特征对应的模糊化的服务水平概率相加，则有

其中，SuAK，SuAK，SuAK分别表示综合k个特征后对应的畅通、一般拥堵、严重拥堵的概率。

SuAK，SuAK，SuAK中最大的概率值对应的服务水平，即为当前特征所属服务水平。