近几年,我国的经济保持平稳增长,机动车数量也持续增加,由此带来的交通拥堵问题日益严重。车路协同、自动驾驶技术成为目前解决交通拥堵,改善通行效率的重要途径。然而,现阶段采用的基于固定式检测器数据的交通信号控制方法不能满足未来车联网、车路协同时代的信号控制需求。近年来,GPS浮动车等移动式数据采集技术日趋成熟,应用越来越广泛。不同检测器的检测数据间存在着一定程度的冗余和互补,本文提出采用数据融合的方法对数据进行处理,得到更加精确、全面的数据,对交通信号控制参数和控制系统进行优化和改进,为交通信号控制提供数据和决策支持。本文分首先析了交通领域数据融合的发展历程和研究现状,通过对比不同类型交通数据检测器的特性以及不同交通控制模式对于检测数据的需求,阐述了数据融合的必要性,提出了数据融合的目标。然后,对原始数据进行了剔除、替代等预处理工作,采用加权平均、BP神经网络等方法对数据进行融合处理。对轨迹数据进行拟合,重新计算路口延误时间,对Webster方程进行改进;考虑实际交通状况,给出了拥堵和非拥堵情况下的绿信比优化方法;针对MULTIBAND模型对红灯排队消散时间的考虑不足,充分考虑红灯排队消散时间的影响;对SCOOT控制系统运行参数通行能力STOC、旅行时间JNYT、最大长度排队清空时间QCMQ进行计算,代替人工调查或估算数据,提高系统的控制精度。最后,搭建了硬件在环的仿真系统,利用本文提出SCOOT参数优化方法,以大连市中山路沿线路口为案例,对SCOOT系统运行参数进行控制优化、模拟仿真,选取了路口停车次数、路口延误时间两个评价指标,与原始方案控制效果对比,证明了方案的有效性。