公路运输是危险品运输的主要运输形式之一,危险品的种类多、数量大,给公路危险品运输带来了极大的安全隐患。因此,及时、准确地掌握交通状况,对于选择危险品运输路径、降低交通事故的发生以及事故发生后的应急救援方案的制定而言十分重要,对交通拥挤状况进行检测和预测是保证危险品安全运输的重要环节。为了进一步提高交通拥挤检测与预测的准确性,本文提出了一套基于多源数据融合的交通拥挤检测与预测模型,通过实例研究证明了模型的科学合理性和有效性,并提出该模型在危险品运输实际应用过程中的方法与建议。首先,本文对危险品运输过程的特点,以及国内近几年发生的危险品运输事故及其发生原因进行统计分析,强调了道路交通拥挤检测与预测对危险品运输路径及事故发生后应急救援路径选择的重要性及需求。其次,对交通数据的分类及特点进行分析,结合数据来源的可靠性,最终选择感应线圈和视频检测器两种可以提供地点交通数据的检测器作为研究对象,再根据阀值法和交通流机理法两种常用的交通数据预处理方法对异常数据进行识别和剔除,并采用相邻数据平均法恢复缺失数据。再次,根据采集到的交通流量、行车速度、时间占有率这三类地点交通参数的特点设计了基于单一检测器的交通拥挤指数,计算每种单一数据源检测结果的可靠性,并据此结合每种数据源中数据的可获取性建立了基于上述两种检测器融合的交通拥挤检测模型,并通过实例验证了模型的有效性。最后,本文建立了基于多源数据融合的交通拥挤预测模型,将卡尔曼滤波算法、灰色预测法与BP神经网络算法相结合,用预处理后的平滑值作为BP神经网络预测模型的初始值,并通过实例验证表明了本文设计的两种组合预测方法的有效性和可靠性。后将组合预测结果代入融合的交通拥挤检测模型,预测下一个时间周期的道路交通拥挤状况,并提出该模型计算结果在危险品运输实际应用过程中的方法与建议。