近年来,伴随着城市机动化水平的不断提高和私人机动车保有量的迅速攀升,北京市城市交通需求持续增长,而城市土地资源、交通资源供给日趋紧张,道路供需矛盾突出。针对目前北京市道路交通的现状及存在的问题,尤其是面向2008年北京奥运交通管理的需求,全面推进以信息化和智能化为特征的智能交通应用系统在城市交通管理和交通信息服务领域的广泛应用具有重要意义。动态车载导航系统作为智能交通系统中面向出行者的重要应用子系统,对于均衡路网交通流量,缓解拥堵具有积极作用,而动态交通信息的采集、处理以及发布是发挥动态车载导航系功能的基础,也是目前国内自主车载导航系统突破发展瓶颈的根本途径。论文的研究依托北京市智能交通系统示范工程中交通诱导(车辆导航)系统技术与设备研究示范项目,研究工作以动态交通数据接入下的城市路网交通状态预测和发布为目标,紧密结合动态车载导航系统中交通信息处理的关键技术展开。研究具体涉及基于探测车的动态交通数据处理算法研究,多源历史交通状态数据处理方法研究以及基于多源历史趋势数据库的短时交通预测模型研究等内容。动态数据的采集是实现交通状态短时预测的关键。论文研究和开发了基于GPS探测车信息采集试验系统(Floating Vehicle Data Collection System,FVDCS);在此基础上,重点研究了探测车系统回传数据的处理技术。通过对探测车数据的全面分析,论文从交通工程学理论出发,提出了基于驻留时间估计的探测车数据处理算法,算法可以利用探测车回传的坐标数据获得准确的城市路网区间速度信息。现场试验的结果显示,数据处理算法的精度在90%以上。通过与现有其它算法的试验比较表明,本文所构建的探测车数据处理算法具有更高的精度和良好的误差稳定性。历史交通数据的处理和准备是实现交通状态短时预测的重要基础。论文深入而全面地探讨了固定检测器历史数据和探测车历史数据的处理方法体系,并对探测车采集的历史交通状态数据进行了分类,提出了探测车数据的三阶段应用。论文从历史数据所反映的交通特性分析出发,提出了数据系列筛选、判别、修补等预处理技术,并基于启发式软阈值选择的小波滤噪技术对历史数据系列进行了平稳处理,利用基于系统聚类和K均值聚类的双重聚类方法,实现了大量历史数据系列的精简。论文在完成了多源历史数据系列处理的基础上,根据数据的离差特征,建立了包含快速路和非快速路各类典型交通演变趋势的历史数据库。在获取实时交通信息和完成历史趋势数据库构建的基础上,本文重点研究了动态车载导航系统的短时交通预测模型。论文从算法复杂度、算法效率、预测精度等角度,对常用的短时交通预测理论进行了分析和比较,确定以非参数回归的基本理论作为短时预测模型的基础。在动态交通数据和历史典型趋势数据库的基础上,研究对模型参量进行了试验研究和标定,构建了基于多源历史趋势数据库的K近邻非参数回归短时交通预测模型。最后,论文编写了短时交通预测程序,并利用探测车采集的动态数据系列对预测模型的精度进行了实验验证,结果表明预测精度达到90%以上。通过对基于不同历史数据库的预测算法性能比较试验也表明,多源数据可以进一步提高短时交通状态预测的精度,改善算法的稳定性。但是,由于实时交通数据覆盖有限,为了实现全路网的交通状态预测,论文还提出了无动态交通数据支持下路段交通状态的模糊预测技术。论文通过对现有历史交通数据交通特性的分析,提出了以日期、周次和天气状况为基准的北京市城市道路网络的典型交通模式划分标准,并在此基础上,标定了各类型道路在不同交通模式下的最大似然行程速度,建立了路网交通状态的模糊预测模型。实现了无动态交通数据支持下的路段交通状态模糊预测。通过论文的研究,在有限的动态交通信息背景下,充分利用现有历史交通状态数据和动态交通数据,采用模糊预测和回归预测相结合的方式,使得导航系统实现了面向全路网的短时交通状态预测和信息发布。本文的研究将对今后基于探测车动态数据和历史数据的短时交通预测相关的研究提供重要的参考和借鉴。