准确的道路交通参数检测和道路交通状态分析是交通诱导与控制、道路交通管理及规划的基础。在道路交通参数检测方面,基于GPS浮动车交通参数检测技术作为一种新的检测方式,如何提高其检测性能是目前的核心问题。另一方面,仅仅依靠道路交通参数尚不足以全面反映道路交通状态,如何建立符合实际的道路交通的状态分析和评估方法,正受到广泛关注。本文主要从面向GPS浮动车的交通参数检测关键技术以及道路交通状态分析两方面展开研究。在浮动车交通参数检测方面,重点通过解决目前在道路图层校正、数据预处理等领域存在的基础技术问题,研究解决利用混合浮动车(公交车、出租车等)改善路段平均速度估计性能的方法。在道路交通状态分析方面,从宏观的角度,研究了利用浮动车检测的交通参数探讨车流状态的内在规律,从微观的角度,利用车辆驾驶的微观跟驰特性研究了道路交通流的状态变化规律。论文的主要工作包括:①充分利用GPS浮动车数据蕴含的丰富信息,通过数据规律分析,建立了面向道路节点的道路图层校正模型,解决了商业地图准确度校正的关键问题。首先基于路网拓扑结构的道路图层节点匹配方法,对原始道路图层中道路节点存在的“不及”、“过头”和“交叉口相离”等不规范情况进行修正;在此基础上,提出依托道路节点构建道路节点静态缓冲区,并利用GPS浮动车数据在静态缓冲区的分布密度构建道路节点动态缓冲区,由该区域筛选出表征道路节点信息的有效数据;利用这些数据,建立了基于层次聚类的道路节点校正方法,实现了道路节点的校正;通过实际道路实验,证实了方法的有效性。②针对公交车、出租车等不同浮动车,分别建立了特殊零数据的预处理方法,在此基础上,通过从单车到多车整合不同车型的GPS浮动车数据,建立了利用混合浮动车改善路段平均速度估计性能的方法。针对浮动车经常存在零速度数据的情况,在分析出租车和公交车的行驶特性和GPS数据特征的基础上,分别提出了出租车和公交车的零数据处理算法,进而建立了考虑浮动车零速度数据的预处理模型,解决了浮动车在车站、路口以及运行中异常停车导致的延误问题。针对GPS浮动车数据序列与路段起止节点之间相对位置的各种情形,并结合上述预处理模型,分别建立了基于局部行程时间的单型车单车路段区间平均速度估计模型,并以该车占同型车的有效数据比整合加权,形成了单型车的多车路段平均速度估计模型;另一方面,通过层次聚类整合路段上单车的瞬时速度序列,建立了基于瞬时速度的单型车多车路段平均速度估计模型;在此基础上,将上述两种路段平均速度估计模型进行整合,建立了单型车的路段平均速度估计模型;最后,分别针对公交车和出租车的不同特点,并考虑有效公交车数据和有效出租车数据的占比,整合形成了多车型的混合浮动车路段平均速度估计模型,并根据实际采集的浮动车GPS数据对模型进行了验证。③提出了基于去趋势波动分析(Detrended Fluctuation Analysis, DFA)的交通离散时间序列分析方法,为利用交通参数变化揭示车流状态的内在规律提供了新的途径。针对实际检测获取交通流参数大多是非平稳和有限的情况,从标度不变性的角度对交通流时间序列进行分析,通过引入去趋势波动分析法(DFA),分别对出租车和公交车的路段平均速度估计数据进行指数标定,以实际车流时间序列的标度指数探讨了车流时间序列的长程相关性及其内在规律,结果表明,公交车的路段平均速度估计存在长程相关关系,而出租车的路段平均速度估计不存在长程相关关系。④研究了利用车辆驾驶的微观跟驰特性分析道路交通状态变化规律的方法,通过建立新的车辆跟驰模型,讨论了道路交通状态的稳定性问题,进而分析了道路交通状态的变化规律。道路交通状态的变化本质上是车辆行驶行为的客观反映。现代传感、通信和车联网技术的发展为刻画车辆驾驶的微观特性提供了有利条件,为了准确描述道路上车辆行驶的跟驰特性,进而掌握道路交通状态变化规律,分别提出了一种扩展的双车跟驰模型(Two Car-following, TCF)和考虑后视效应的多车跟驰模型(Backward looking& Multiple Car-following, BLMCF)。并在上述模型的基础上,分别讨论了道路交通流的车头间距和车辆速度随时间变化的分布情况。仿真结果表明,当在道路交通系统中考虑次近邻车对跟驰车辆的影响及后视效应下多前车对跟驰车辆的影响时,不仅有助于提高道路交通状态的稳定性,也有助于抑制道路交通拥堵现象的产生,能有效改善道路交通流的运行状态。综上所述,本文提出了基于GPS浮动车技术的面向道路节点的道路图层校正方法,提出了基于混合浮动车的路段平均速度估计方法,提出了基于去趋势波动分析(DFA)的交通离散时间序列分析方法,提出了利用车辆跟驰特性分析道路交通状态变化规律的方法,以准确分析道路交通流状态的演变规律。实验结果验证了上述工作的有效性。