目前,我国高速公路上已有的交通检测器绝大部分都是在高速公路刚修建时布设的,在当时能够满足道路交通数据采集的需求。然而随着高速公路通车里程的不断增长、交通量的急剧增加,路网结构的逐渐复杂,高速公路上出现了一系列的交通问题,依靠现有检测器获取的数据在精度、时效性等方面都不理想,已经无法满足道路交通管理的需求,因此,对高速公路交通检测器的布设进行优化非常有必要。基于此,本文以已经布设固定检测器的高速公路为对象,将路段行程时间估计精度作为优化目标,从增设固定检测器和增加移动探测车两方面来对交通检测器的布设进行优化。首先,本文从固定检测器布设研究、行程时间计算研究、移动探测车样本量研究几个方面对国内外的研究现状进行了综述和总结。对常见的固定式交通检测器以及移动式交通检测器进行了介绍。从可检测的数据类型、数据采集精度、检测器的成本、受环境的影响及适应性几个方面进行了对比分析。基于不同类型检测器的特性,本文还介绍了交通检测器的组合布设原则及流程。其次,为了给固定检测器的增设提供待布设点,文章进行了路段划分。考虑到高速公路各路段之间有先后顺序,本文提出了基于非监督学习理论的路段长度划分方法—Fisher最优分割法,并对该方法的原理和步骤进行了详细介绍。在应用有序聚类模型进行路段划分时,考虑到一些聚类指标如交通参数具有时间分布特性,因此本文对最优分割法进行了优化:构建了具有时间属性的样本集,并通过构造Frobenius范数形式的离差平方和函数来对其进行定义。文章以宁沪高速公路的无锡-苏州段为研究对象,将速度、交通事件、路段线型和路况状态作为聚类指标,采用改进后的Fisher有序聚类模型进行路段划分。结果表明,当划分段数为30时,目标函数的下降较为缓慢,划分结果趋于稳定,因此本文将研究道路划分为30段。然后,本文从增设固定检测器和增加移动探测车两个方面来优化道路检测器的布设。在固定检测器增设研究中,本文基于Fisher有序聚类的路段划分结果,建立了以路段行程时间估计误差最小为目标,以增设检测器数量、成本等为约束的整数规划模型,并采用遗传算法求解该模型。在增加移动探测车研究中,本文预先设定多种探测车的比例,通过VISSIM仿真得到各个比例下的路段数据,然后通过BP神经网络融合模型对路段行程时间进行估计,将行程时间估计值与实际值进行比较,最后选取满足数据采集精度要求的最小探测车比例作为最优的移动探测车样本量。最后,通过本文提出的方法来求解宁沪高速公路的无锡-苏州段上增设固定检测器的最优数量和位置以及该道路上增加移动探测车的最优样本量。结果表明,研究道路上增设固定检测器的最优数量为5个,此时行程时间估计值的平均绝对相对误差为0.08938;增加移动探测车的最优样本量为3%,对应的行程时间估计值的平均绝对相对误差为0.01650。这说明在对已经布设固定检测器的路段进行检测器优化时,增设固定检测器并不是最优策略,增加移动探测车可以与现有的固定检测器形成互补,从而实现更优的数据采集效果。