随着世界人口的急速增长和城市化进程的快速发展,大型公共场所的人群安全问题引起社会广泛关注。一方面,由于大型公共场所空间范围较大,基于单视角视频的人数估计方法已经不再满足广域场所的人群计数需求。另一方面,互联网的飞速发展催生了更多智能传感器,赋予数据多层域、海量和异构等特点,给数据挖掘带来了极大的挑战。在这种背景下,本文提出了一种多层域异构交通数据融合模型,旨在协调人群状态检测的精准性与多层域数据利用的充分性,具体研究内容包括以下几个方面:(1)基于人群聚集模式的局部人群计数方法。使用多列卷积神经网络(Multi-column Convolutional Neural Network,MCNN)进行视角的人数估计,实验结果表明,该方法具有一定的精准性。并将其与心理学的个人空间论相结合,在人群密度分布的表现形式上两者保持了高度的一致性;(2)基于高斯混合模型(Gaussian Mixture Model,GMM)的全局密度估计方法。设计了一种基于高斯混合模型的密度分级算法,将全局视角监控视频中的人群密度以关键动点间的距离分级显示,实验证明,该方法对人群密度的检测具有良好的表现;(3)人群态势时空演变及预警可视化系统。基于Endsley态势感知模型结构,本文设计了一种基于百度地图API的人群态势可视化系统,并应用于实际场景,取得了较好的效果;(4)基于多层域分布式数据融合的人群计数方法。考虑到单视角人群计数在广域场所的局限性,本文设计了一种分布式数据融合方法,通过局部信息与全局信息的互补融合,更为精准地估计了整体人数,并将根据融合结果所预测的下一时刻局部人数与实际情况相对比,验证结果表现出较高的准确度。