伴随近年来机动车保有量的迅猛增长,北京市道路交通拥堵日益严重,交通运行状态每况愈下。对交通运行状态的准确评价是实施有效的缓解交通拥堵措施的基础,因此,能够客观量化交通拥堵的交通运行状态评价方法已成为交通领域的研究重点之一。可是由于面向交通运行状态评价的交通流数据在采集和传输过程中可能发生数据错误或缺失等现象,所以依靠单种检测手段获取的交通流数据来评价道路交通运行状态往往存在较大误差。数据融合技术是有效解决这一问题的途径之一,其目的是将由不同检测手段(不同来源)得到的交通流数据进行融合,然后应用于交通运行状态评价,使结果更为精确。本论文的研究目标是:以浮动车数据、微波检测器数据以及车牌识别数据这三种不同检测手段得来的异质交通流数据作为研究对象,研究面向交通运行状态评价的数据融合技术。其中将浮动车数据和微波检测器数据作为数据融合的基础数据,将车牌识别数据作为反映实际交通运行状态的真实数据,构建面向道路交通运行状况评价的多源异质交通流数据的融合方法,最终得到更加准确的交通运行状态评价结果。首先,本论文通过分析浮动车数据、微波检测器数据以及车牌识别数据这三种数据的采集方法和数据特性.,对数据进行时间匹配和空间匹配,得到描述同一时间段内相同路段的交通运行状态的多源数据,从而为数据融合的实现奠定数据基础。其次,通过对现有数据融合方法的优缺点、适用性等方面进行对比分析,选取了基于BP神经网络的数据融合模型作为本研究采用的数据融合方法。在进行数据融合的过程中,本文还提出了两种数据融合方式,分别为:数据层的前端融合方式以及特征层的后端融合方式。最后,在前端和后端两种数据融合方式中分别利用神经网络法对完成匹配的多源交通流数据开展实例分析。在实例分析中,本论文采用行程时间指数(TTI)作为评价指标对多源交通流数据所描述的路段范围进行交通运行状态评价。通过分析实际数据的计算结果,对融合前后以及不同数据融合方式得到的评价结果进行定量比较,得出融合前后以及不同数据融合方式对评价结果产生影响的结论。