目前,国内外对于排队长度估计的主流研究大多是根据交通流状态,获得道路交叉口信号周期内最大排队长度和平均排队长度。已有的研究多依赖于单一的交通数据来源,如GPS浮动车数据、断面检测的流量数据等。由于数据检测传输过程中的检测误差、信号丢失、干扰、以及检测设备覆盖范围限制,使得依赖于单一数据源的排队长度估计算法的稳定性和可靠性难以保证。因此,融合多源数据进行排队长度估计的算法研究,在数据互补、精度修正、提高估计模型的综合性能上具有良好的研究价值。本文主要围绕交通数据融合以及交叉口排队长度估计方法进行研究,具体分成三部分:交通数据融合与排队长度估计方法;数据融合的交叉口排队长度估计方法精度分析;基于排队长度的信号配时思路探讨。首先,本文通过对不同交通数据特性进行分析,从而对交通数据的归属类型、交通数据采集技术分类以及不同种类检测设备的特点进行总结,分析比较各种方法的适用条件及优缺点。然后基于统计归纳思想和交通流理论,结合浮动车的排队规律和断面检测流量数据特点,分别建立排队长度估计模型。考虑到两类模型在不同数据采集环境下的精度差异,为增强估计模型的普适性和稳定性,提出采用组合估计的方法,进行误差融合修正,通过将断面检测流量数据与移动GPS数据进行有效的融合,最终构建出基于数据融合的可实时估计交叉口车辆排队长度的估计模型。其次,采用已获取的南昌市东湖区中山路与八一大道交叉口的固定检测器检测数据,应用VISSIM软件进行排队仿真分析,获得路段同步同流量下实时的浮动车数据,同时根据移动GPS数据和断面检测流量数据,分别估计各时间间隔内的交叉口排队长度,依据熵值法的组合估计理论,对基于移动GPS数据的排队长度估计结果和基于断面检测流量数据的排队长度估计结果进行加权组合估计,运用仿真输出的实际排队长度结果,对模型计算精度进行误差指标分析和评价。最终验证了基于数据融合的排队长度组合估计模型相比于单一数据来源的排队长度计算方法,整体估计稳定性能较好,计算结果精度更高。最后,基于估计的排队长度,探讨依据估计排队长度确定交叉口信号配时的方法,并分析交叉口连续数据采集条件下信号配时的基本过程,并总结了基于排队长度均衡为控制目标的信号配时策略的主要思路。