中文摘要：

车辆拥堵治理是提高城市交通运行效率的有效途径。如何利用计算机技术快速获取车辆运行的流量信息，识别车流量状态，通过快速的计算，预测路网流量演变情况，实现路网流量均衡，同时为出行者提供最佳路径选择，就成为交通信息领域的热点研究内容。以往研究忽略了所积累的历史数据和出行车辆时间特征，不能准确计算出交通流量分布并对拥堵状态实时预测。项目针对路网交通信息多元异构、出行时间不确定的问题，研究路网流量状态自动识别的算法，基于历史数据与车辆出行时间的路网流量演变情况与预测方法，建立以时间代价最小的最短路径加权分配模型；针对路网信息的动态性，提出自适应的最短路径搜索计算方法。本项目的研究成果，将有助于交通出行信息系统的开发。

结论摘要：

城市交通拥堵问题越来越突出。发展智能交通系统（ITS）提高道路运行效率是解决交通拥堵问题的有效途径之一。快速准确获取道路交通流量信息、识别道路交通流状态、预测路网交通流状态演变情况、计算出行最佳路径、均衡路网流量计算是ITS的核心技术。本项目对复杂路况下车辆位置导航、路段短时交通流量获取与预测、道路交通流状态及判别方法、路网交通流状态分布及演变进行了研究。提出了基于多传感器系统的车辆精确定位模型和基于无迹卡尔曼滤波（UKF）数据融合算法，提高了复杂环境下车辆位置导航的准确性和计算效率；提出了正交自适应差分演化无迹卡尔曼滤波(OADEUKF)算法，实现了提高路段短时交通流量预测的准确性和性能，同时减少了计算资源的消耗；提出了更为直观的交通流畅通、缓慢、拥堵、锁死四中状态，分析筛选了交通流状态判别参数，设计了交通流状态判别算法，实现了在道路监测器提供所需实时信息支持下的路段短时交通流状态的判别；提出了能够很好反映路网交通流状态分布的矩阵模型，通过该模型能够快速获取路网交通流状态的分布。初步研究表明，该模型可以为交通起止路径及拥堵路段计算、最短路径计算、路网交通流状态演变计算提供支持。