指数：
基于严重拥堵里程比的指数和基于出行时间比的指数。
评价指标是饱和度（VC比），它表示交通量与通行能力的比值。
饱和度可分为道路饱和度和路口饱和度。道路饱和度还会进一步分级，有四档和六档之分。
城市道路和公路道路的饱和度计算方法也各不相同。公路通常采用日交通量指标，而城市道路则常使用高峰小时交通量与通行能力的比值。
交通量是通过实际测量得到的，而通行能力则大致上基于工程条件、设计速度等一系列参数加权计算得出。
路口的饱和度则是通过某一流向的实际交通量与该流向的饱和流量之比计算得出的。
美国首当其冲，来自加州交通部门(Caltrans+)的专家认为:交通拥堵是在工作日高速公路上持续15分钟以上，平均速度低于55公里/h的情况;明尼苏达州的专家认为:高速公路在工作日早6:00-9:00，晚2:00-7:00，任何方向只要发生车流速度低于45公里/h的情况即为拥堵;密歇根州的专家认为:高速公路服务水平为F级，V/C比+>=1的状态是为拥堵。
加拿大也带来了北美地区的说法。蒙特利尔的专家认为:当车辆被判定以低于25公里/h的速度加入排队，后以高于60公里/h的速度驶离排队的过程。
韩国公路公司(KHC+)认为:某条道路1个月内持续超过10天，且每天超过2小时车流速度低于30公里h即视为交通拥堵;大邱市则把这一车速的标准降低为14公里。
日本普遍使用速度作为拥堵的依据。高速公路车速低于40公里;出现时走时停的交通流长度1公里以上;或者上述两种情况持续15分钟以上皆为拥堵。
从交通需求分析而言，交通拥堵是发生在交通基础设施上，与低流量、高流速状态相反的一种高密度、低流速的状态:即需求超过供给的状态。
从交通效率分析而言，交通拥堵是一种某时段内某道路车辆增多导致的车流速度低于或远低于正常车速或自由流速度的状态。
1、速度(speed)
速度是直观的反映拥堵状况的指标之一，速度的衰减意味着行程时间的增加，出行效率的降低。与速度相关的评价指标可以演变出:平均速度、自由流速度、道路通行指数+(CMI)、速度衰减指数+(SPI)等计算指标。
2、行程时间(travel time)
基于时间的评价指标容易被公众理解，因此常被视为交通改善效果的有力佐证之一。但是要清楚一点的是，基于时间的评价指标不应当用于交通事故、临时道路施工引发的拥堵评价。最常用的与时间相关的评价指标包括:行程时间指数+(TTI)、行程时间率指数(TRI)、预留时间指标+(BI)
服务水平(Level of Serive)3.
服务水平作为评价指标，最大的优点在于它是一个综合性的衡量要素。服务水平在美国HCM手册+中给出了六个等级的交通状态。但是要注意的是，服务水平这个指标不是对交通拥堵状态的连续性量化指标，由于其数值不具有连续性，因此当交通处于临界状态时，不宜界定。以服务水平为基础，可以衍生出道路拥堵指数+(RCI)、车道拥堵指数+(LMI)等评价指标。
4、延误(Delay)
延误从某种意义上而言，是时间的变化衡量指标。延误通常理解为比自由流交通出行多花费的时间。延误可以用来评价交通系统当前的性能和期望发挥的性能的差异。延误率(DR)、延误比(DRA)、人均年延误(ADPRU)、人均延误小时(AHOD)等都是延误可以演变而来的评价指标。
结论
交通拥堵的成因复杂，可以从微观的角度归因于信号控制、道路出入口、道路施工影响，也可以从宏观的角度着眼于土地利用模式、社会收入水平、区域经济发展等。
因此，对交通拥堵的评价应该有宏观、微观乃至中观等评价指标，当然也可以创建出更多、更新的评价指标。但是万变不离其宗，至少从时间和空间的角度，坚持容易理解、便于计算的要求，综合运用速度、出行时间、交通供需关系等基本指标来进行交通拥堵评价是不变的根本。
一城一阈值，是我们在使用评价指标进行不同城市排名要注意的。从美加日韩等国对拥堵的认知而言，即便同一个评价指标，在同一国家内不同城市也有不同的拥堵阈值。例如使用速度值，加州认为低于55公里为拥堵，明尼苏达认为低于45公里/h是拥堵。
一、道路拥堵情况预测
1、构建训练集：
每条道路的拥堵情况不仅和当前道路前一个时间点拥堵情况有关系，还和与这条道路临近的其他道路的拥堵情况有关。甚至还和昨天当前时间点当前道路是否拥堵有关联。我们可以根据这个规律，构建训练集，预测一条道路拥堵情况。
假设现在要训练一个模型：使用某条道路最近三分钟拥堵的情况，预测该条道路下一分钟的拥堵情况。如何构建训练集？
构建的训练集有什么样的特点，依靠训练集训练的模型就具备什么样的功能。
2、步骤
1）、计算道路每分钟经过的车辆数和速度总和，可以得到道路实时拥堵情况
2）、预测道路的拥堵情况受当前道路附近道路拥堵的情况，受这几个道路过去几分钟道路拥堵的情况。预测道路拥堵情况可以根据附近每条道路和当前道路前3分钟道路拥堵的情况来预测。用附近每条道路和当前道路前3分钟道路的拥堵情况来当做维度。统计这些道路过去5个小时内每分钟的前3分钟拥堵情况构建数据集。
3）、训练逻辑回归模型
4）、保存模型
5）、使用模型预测道路的拥堵情况
3、道路拥堵预测注意问题：
注意：提高模型的分类数，会提高模型的抗干扰能力。比如道路拥堵情况就分为两类：“畅通”、“拥堵”，如果模型针对一条本来属于“畅通”分类的数据预测错了，那么预测结果只能就是“拥堵”，那么就发生了质的改变。
如果我们将道路拥堵情况分为四类：“畅通”，“比较畅通”，“比较拥堵”，“拥堵”。如果模型针对一条本来数据“畅通”分类的数据预测错了，那么预测结果错的情况下就不是只有“拥堵”这个情况，有可能是其他三类的一种，也有一定的概率预测分类为“比较畅通”，那么就相当于提高了模型的抗干扰能力。
)
