高速公路交通状态的预测与估计是先进的交通管理系统(Advanced Traffic Management System,ATMS)和交通信息系统(Advanced Traffic Information System,ATIS)的重要组成部分。它是指在高速公路的某一路段某一时间,利用安装在道路上有限数量的交通检测器对交通流参数的一种评估。行程时间是反映高速公路交通流状态的主要参数之一,它是最能够反映交通状态的信息,也是出行者出行规划决策首要考虑的因素。因此,对高速公路进行行程时间的预测与估计十分重要。高速公路行程时间预测主要基于交通流数据的采集,由于采用单一的数据不能全面准确地反映路网的实时状态,因而必须利用多源数据进行数据融合,以获得更精确的交通信息。本文通过分析高速公路收费站抽样刷卡数据、浮动车GPS数据、地图数据和交通事故数据,实现对高速公路交通状态的预测和估计,论文完成的具体内容如下:首先,总结了交通流数据采集技术及融合技术。对固定型检测技术和移动型检测技术进行简要介绍,并对其优缺点进行比较分析。在此基础上提出了针对交通信息数据融合的四个层次,同时介绍了几种流行的数据融合算法,为数据融合方法的选取奠定了理论基础。其次,通过分析收费站抽样刷卡数据、浮动车GPS数据这两种数据的采集方法和数据特性,对其进行时空匹配,从而获得同一时间和同一空间的交通状态多源数据,为实现行程时间预测模型奠定数据融合的基础。然后对现有数据融合方法的适用性等方面进行比较,选取极限学习机模型作为本研究采用的数据融合模型算法,并提出了模型的评价指标和道路交通状态估计的量化指标行程时间指数(Travel Time Index,TTI)。最后,以广州市机场高速作为实例分析,对存在交通事故的行程时间历史数据集和不含交通事故的常态行程时间历史数据集进行数据融合,用来预测未来的行程时间。结果显示经过常态历史数据集融合后的行程时间比单一数据的预测更贴近真实值。最后利用该数据计算行程时间指数TTI并对高速公路上的交通状态进行估计。