随着卫星定位导航技术和通信技术的快速发展,GPS浮动车改变了传统的交通数据采集方式,目前已经成为一种新的数据采集手段。GPS浮动车可以实时地提供车辆位置、速度等信息以及车辆连续的空间信息,并且具有数据量大、数据获取成本低、实时性等特点。目前,利用GPS浮动车轨迹数据进行交通状态和行为估计已经得到了迅速发展。然而大多数学者是通过GPS轨迹数据估计路段平均速度、行程时间或者交叉口的排队长度、延误等交通参数,从而判断交通状态是畅通还是拥堵,并没有对流量进行具体量化。在信号交叉口,交通流量是进行信号优化的重要输入参数。利用GPS浮动车轨迹数据估计交叉口流量对优化信号配时具有非常重要的意义。本文主要是基于交通流速度-密度关系建立交叉口轨迹预测模型,并通过GPS浮动车轨迹数据进行交叉口流量预测。首先,本文介绍了模型的理论基础,包括交通流参数的概念以及常用的几种交通流速度-密度关系模型。本文提出的模型是利用GPS浮动车轨迹数据,通过交通流速度-密度关系估计浮动车辆之间的车辆数。根据速度、密度的定义,在研究时空区域内,交通流速度可近似用研究时段内所有浮动车辆平均速度的平均值表示,交通流密度近似用研究时段内不同时刻路段瞬时密度的平均值表示。其次,本文建立了基于交通流速度-密度关系的交叉口轨迹预测模型。交叉口处由于信号灯的影响,车辆的行驶过程是复杂的,本文根据车辆的不同行驶状态将路段进行了分段。然后根据车辆进入交叉口排队前行驶轨迹数据以及车辆排队放行时行驶轨迹数据分别建立了预测模型,分别用于预测同一周期浮动车之间的车辆数以及同一周期排队通行浮动车之间的车辆数。接下来,提出了基于GPS浮动车轨迹数据的交叉口流量预测方法。由于本文建立的交叉口轨迹预测模型用于预测同一周期的浮动车之间的车辆,因此在应用模型预测之前,应判断两相邻浮动车是否位于同一个周期。然后利用建立的交叉口轨迹预测模型预测同一周期浮动车之间的车辆数。接下来预测停止线到停止线前第一辆排队通行浮动车之间的车辆数。最后根据前面得到的预测值进行交叉口流量估计。最后,基于SUMO微观仿真软件建立交叉口模型,并生成车辆行驶轨迹数据,通过随机抽样得到不同抽样率下的样本轨迹数据,即不同渗透率下的GPS浮动车轨迹数据,从而进行交叉口流量预测并进行误差分析。