快速发展的智能交通系统对掌握道路网上实时交通事件的需求日益增加,但是以往针对交通流重构的研究主要集中在车辆密度、车流速度等交通数据上,缺乏对堵塞等交通事件重构的探索。交通流具有非线性、非高斯和高维随机的特点,粒子滤波作为一种不受噪声分布限制的序贯蒙特卡洛算法在非线性、非高斯系统中有着广泛的应用。但是,传统的粒子滤波存在粒子退化问题,通过添加重采样解决退化又容易引起粒子多样性匮乏、计算复杂度过高等缺陷,而且其在高维随机场景中应用的研究也相对薄弱。本文延伸合作机构(乔治亚州立大学系统建模与仿真实验室)在复杂系统建模与仿真上的研究,改进粒子滤波算法,将其应用在复杂场景下的交通流事件重构上,实现对道路网上交通事件的探测与重构,课题主要完成以下内容:首先,搭建动态数据驱动的交通流事件重构框架,确定其中仿真模型与同化模型的交互接口及关键技术。同化模型不断同化道路上的传感器数据使仿真的交通状态不断逼近真实路况,通过分析仿真数据以探测真实路网中存在的堵塞事件;通过对探测到的堵塞进行多粒子模拟实现堵塞事件的重构。然后,结合广义动态数据驱动系统理论,提出针对多维随机场景的双向反馈粒子滤波算法(B3DPF)。算法的执行策略和关键参数均能根据仿真结果进行动态的调整,同时被注入实时数据的方案也能同步的改进。实验表明,B3DPF中添加的改进策略和动态机制能够在保证推测精度和速度的同时有效缓解粒子退化问题并保持粒子的多样性,而且其在处理高维随机场景时精度和时间优势更为明显。最后,对MovSim增加多线程仿真机制、仿真状态分析与控制、数据存储与解析、事件探测与模拟以及数据同化接口,实现提出的交通流事件重构框架。根据简单的直线道路,验证交通流事件重构框架动态执行策略和信息交互的可行性;通过南京市明故宫到中山门主干交通道路网的仿真实验,验证提出的交通流事件重构框架能够探测出真实存在的堵塞事件,并对堵塞事件进行精确的重构。