在交通需求日益增长的情况下,发展智能交通是确实可行的解决方案,而及时、准确地获取当前或未来时刻的交通态势,对交通治理和管控具有重要意义,也是智能交通的重要基础。在城市交通中,相较于其他指标,交叉口排队车辆数更能直观的表征交通状态,可直接作用于信号配时优化。在当前,已有许多基于交通流理论的排队长度计算模型,但由于交通环境的复杂性和多变性,交通流的时空关系和真实分布难以明确,使得此类模型驱动的传统方法建模困难。此外,国内常用的SCATS系统无法给出车辆排队长度,需要消耗配时人员大量的时间去统计,效率较为低下。因此,寻求一种新的排队车辆数估计方法十分必要。针对模型驱动的排队长度估计方法计算复杂、建模困难的问题,本文提出了一种数据驱动的车道级排队车辆数估计模型。为避免检测器数据易缺失的问题,该模型采用完整率较好的速度数据,借助深度学习模型优秀的学习能力和拟合能力,挖掘平均车速与排队车辆数之间的内部规律,实现了从速度到排队车辆数的估计与分类。本文主要工作如下:(1)总结分析了传统排队长度计算模型和当前其他估计算法的不足之处,并研究了交叉口的车辆运行规律和排队情况,为本文后续的工作奠定了基础。(2)分析了利用速度估计排队车辆数的可行性。首先统计分析了杭州市的SCTAS检测器质量,验证了基于检测器数据的传统模型已无法普遍适用;然后统计了一路段的平均车速和流量在24小时内的变化趋势,并对速度和排队车辆数在一天内的变化关系进行了分析;最后从SUMO中获取仿真数据,利用LSTM网络验证了本文思路的可行性,为后续本文算法的提出确定了方向。(3)提出了基于改进ACGAN的排队车辆数估计模型。该模型结合了双向长短时记忆(Bi-LSTM)网络和辅助分类器生成对抗网络(ACGAN)的特点,根据速度变化序列与排队车辆数之间的隐含关系,生成器利用Bi-LSTM捕获二者之间的时间相关性,并生成最小、最大排队车辆数;判别器取自ACGAN,可在区分真假样本的同时实现排队车辆数到拥堵等级标签的多分类,以此来更好的表征车道拥堵情况。为避免梯度消失问题,舍弃原判别器中的真假二分类任务,引入Wasserstein散度代替JS散度来衡量真假序列之间的分布距离,并对相应的目标函数进行修改。另外,在网络更新过程中加入梯度预测步骤,以保证求解路径更稳定的趋向于鞍点方向。实验结果表明,该模型有良好的稳定性和收敛速度,生成器在超过半数的车道上获得了最小的估计误差,判别器分类精度达到了93.29%,二者性能均优于其他对比算法,能满足绝大部分的排队车辆数估计需求。(4)设计了一个数据驱动的车辆排队微观仿真框架。详细阐述了框架整体结构和各模块的功能,并将本文排队车辆数估计算法应用于框架中。在此基础上进一步研究了车辆排队的仿真思路和整体流程,最后对框架的主要功能进行了实现。所设计的仿真框架可在一定程度上弥补SCATS系统的缺陷,改善配时人员手动查看交叉口监控获取排队车辆数的情况,从而提高信号优化效率。