1.一种基于AFCM‑L2的城市道路交通状态判别方法，其特征在于，包括：步骤1：获取交通流历史参数数据；

步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM‑L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；

步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；

步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息；

其中，步骤2中所述模糊聚类算法AFCM‑L2包括：(0) T

步骤201：设定初始交通状态模糊聚类中心的集合V ＝[v1,v2,v3,v4] ，预设分类数量c‑5

＝4，循环截止误差ε＝1e ，初始循环次数t＝1，最大循环次数T；

步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；

(t) (t‑1) (t)步骤203：判断||V ‑V ||≤ε是否成立，其中，V 为第t次迭代的交通状态模糊聚类(t‑1)

中心的集合，V 为第t‑1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)

为最优交通状态模糊聚类中心，不成立则进入步骤204；

(t)

步骤204：判断t≥T是否成立，成立则循环终止，确定V 为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202‑204；

其中，所述目标函数为：

其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心T

的集合，V＝[v1 v2...vc] ，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚2

类中心vi之间的距离，d(xk,vi)＝||xk‑vi|| ， 1≤i≤c，1≤k≤n；

其中，通过公式(2)计算所述隶属度uik：其中，通过公式(3)计算样本权值wk：其中，通过公式(4)计算交通状态模糊聚类中心vi：

2.根据权利要求1所述的一种基于AFCM‑L2的城市道路交通状态判别方法，其特征在于，所述交通流历史参数数据包括：交通流量、速度、时间占有率。

3.根据权利要求1所述的一种基于AFCM‑L2的城市道路交通状态判别方法，其特征在于，所述预设分类数量为4。

4.根据权利要求3所述的一种基于AFCM‑L2的城市道路交通状态判别方法，其特征在于，所述交通状态包括畅通、平稳、拥堵、堵塞。

5.一种基于AFCM‑L2的城市道路交通状态判别系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；

处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：获取交通流历史参数数据；

步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM‑L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；

步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；

步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息；

其中，步骤2中所述模糊聚类算法AFCM‑L2包括：(0) T

步骤201：设定初始交通状态模糊聚类中心的集合V ＝[v1,v2,v3,v4] ，预设分类数量c‑5

＝4，循环截止误差ε＝1e ，初始循环次数t＝1，最大循环次数T；

步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；

(t) (t‑1) (t)步骤203：判断||V ‑V ||≤ε是否成立，其中，V 为第t次迭代的交通状态模糊聚类(t‑1)

中心的集合，V 为第t‑1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)

为最优交通状态模糊聚类中心，不成立则进入步骤204；

(t)

步骤204：判断t≥T是否成立，成立则循环终止，确定V 为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202‑204；

其中，所述目标函数为：

其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心T

的集合，V＝[v1 v2...vc] ，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚2

类中心vi之间的距离，d(xk,vi)＝||xk‑vi|| ， 1≤i≤c，1≤k≤n；

其中，通过公式(2)计算所述隶属度uik：其中，通过公式(3)计算样本权值wk：其中，通过公式(4)计算交通状态模糊聚类中心vi：