排队状态信息是信号控制的输入信息和评价指标,能够反映交叉口运行状态。随着网约车、网联车的出现,车辆轨迹数据形式、内容日益丰富,用轨迹数据进行排队状态估计成为研究热点。现有研究多从车辆聚集的角度,以排队长度或车辆数为估计对象,利用交通流理论或者概率统计方法进行估计。这些方法多存在对到达模式的假设,可能与实际交通流运行情况不符;另一方面受限于目前可观测车辆样本不足,多数方法在低渗透率下性能不佳。因此,本文从车辆消散的角度,提出以排队服务时间为表征的路口排队状态,即绿灯时间内用于消散排队车辆的时间,避免了车流到达模式的假设,并给出了低渗透率条件下的估计方法。论文主要工作包括车辆轨迹特征信息提取、排队服务时间动态估计模型构建、方法性能评估。在车辆轨迹特征信息提取方面,根据车辆消散的过程,描述车辆运行状态的特征信息主要包括车辆停止线驶离时间和排队停车信息。本文分别采用插值法和规则启发式方法对两类特征进行了提取;针对过饱和场景,通过高斯混合模型估计车辆运行的自由流速度,提出了一种基于车辆到达-驶离周期一致性的过饱和车辆样本提取方法,用于描述清空上周期滞留车辆所需要的服务时间。在排队服务时间动态估计建模方面,为了描述停车和非停车车辆在绿时放行过程中的分界点,本文采用Logistic回归模型,描述绿灯持续时间与车辆停车状态的概率关系;针对低渗透率条件下车辆轨迹样本不足的问题,本文考虑交叉口排队状态在连续周期上的关联性,采用拉普拉斯近似方法,构建了一种基于贝叶斯的排队服务时间动态估计方法,将上一周期估计结果的后验信息作为下一周期估计的先验信息从而实现信息的动态滚动,实现了周期级排队服务时间的动态估计。特别地,过饱和状态下排队服务时间将大于当前周期的相位绿时,本文通过考虑上周期滞留车辆,将排队服务时间估计模型进一步拓展到过饱和场景。在方法性能评估方面,本文采用NGSIM全样本车辆轨迹数据作为研究数据,设计了不同渗透率、不同轨迹点更新间隔时间的评估试验,并引入了不考虑时间连续性的极大似然方法和直接观测两种方法进行对比。评估结果显示,在车辆轨迹渗透率为10%和6%时,提出方法的MAPE分别为19.8%和25.5%,极大似然方法分别为29.3%和40.0%,直接观测方法分别为48.3%、58.3%;相比两种对比方法,提出方法在低渗透率条件下具有更好的估计精度。本文进一步分析了轨迹点更新间隔时间对估计结果的影响,结果显示,当轨迹点更新间隔时间从1s增加至5s时,提出方法的估计误差增加约4.2%,当间隔时间超过10s时,对提出方法的估计准确性影响较为显著。