随着人类步入机动化和汽车化时代，城市交通问题凸现，城市交通拥堵已经严重地影响到社会经济活动和人们的日常生活。智能交通系统已成为公认的解决交通问题的最佳途径之一，而信息是智能交通系统的核心。为了实时监控道路交通流的状态，许多城市都布设或采用了为数众多的定点检测器和移动检测器，从而，大量的多源交通数据被采集，因此，对多源交通数据的挖掘利用具有重要性和紧迫性双重特点。论文围绕多源交通数据的挖掘利用和融合展开，具有十分重要的理论意义和实践价值。论文主要完成了六个部分的研究工作。 第一，以深圳市城市交通仿真系统中采集到的GPS数据为分析对象，试图发现和找出其中的特征，为后续的研究和实践作铺垫。论文主要研究了深圳市GPS数据的时间和空间分布特征、GPS采样间隔特征、路段样本量分布特征、路网覆盖率特征以及路网覆盖率与出租车数量之间的关系。研究结果揭示了基于探测车数据的路段行程时间采集面临的两大问题——路段样本量不足和路网覆盖率低。对上述特征的提取和认识对于探测车交通信息系统设计以及对GPS数据的挖掘利用具有很好的指导意义。 第二，从路段和路网两个层面对探测车样本量进行了研究。首先，在对路段样本量模型深入研究的基础上，指出了路段样本量是一个有限总体无放回简单随机抽样问题，并提出了改进的路段样本量模型；其次，引入了路网覆盖率，提出了路网样本量的通用模型，并以深圳市实际数据为例，建立了路网覆盖率与出租车总数量之间的关系模型。该模型虽有一定的局限性，但为路网样本量模型的研究提供了一种新的思路。 第三，研究了道路交通流参数的时变规律。以检测器数据为对象进行分析，揭示了交通流参数在工作日、周末和节假日三类时间的不同变化规律以及交通流参数在一天中的波动程度；引入相似系数和波动系数，研究了各天的交通流参数在时间轴上的变化趋势的相似程度以及各天之间的波动程度。研究表明，交通流参数在同类时间上的时变趋势具有较高的相似程度和较小的波动。 第四，路段行程时间与道路交通流参数(流量和占有率)之间的相关性研究。借助于交通仿真软件VISSIM，模拟了不同的交通环境，研究了路段行程时间和流量、占有率之间的相关关系。研究表明，在不同的交通流状态区间中，路段行程时间与流量、占有率之间都是显著相关的。 第五，提出了一利基于探测车数据的路段行程时间估计方法。首先，分析了基于探测车数据的路段行程时间估计的误差来源—采样误差和非采样误差；其次，有针对性地引入了自适应式卡尔曼滤波，并提出利用相似时间特征的历史数据来标定状态转移系数。研究结果表明，自适应式卡尔曼滤波能够较好地解决基于探测车数据的路段行程时间估计问题，该方法具有估计精度较高、参数少、算法收敛速度快以及对初值不敏感等优点。 第六，着眼于改善数学建模的准确性，提出了依据相似的交通流状态(定点检测器数据)来标定状态转移系数，实现了基于数据融合的路段行程时间估计。由于转移系数与交通流量、占有率之间的复杂关系，引入了非参数统计方法——K—近邻法来估计状态转移系数。研究结果表明，基于数据融合的路段行程时间估计方法，除具有基于探测车数据的路段行程时间估计方法的优点外，其估计精度要优于基于探测车数据的路段行程时间估计方法，能更好地跟踪交通流状态变化引起的行程时间波动。 此外，论文中提出的两种路段行程时间估计方法还可以应用于行程时间的短期预测，并且由于两种方法所需要的参数较少，因而，具有较强的可移植性。