交通拥堵情况随着城市的发展日益恶化,已经严重影响到人们的生活,造成巨大的资源浪费。为了缓解交通拥堵,大多数国家致力于智能交通系统(Intelligent Transportation Systems,ITS)的研究。地图匹配是智能交通系统的重要环节之一,传统的地图匹配算法在处理低频车辆轨迹数据(采样间隔大于1分钟)时,无法保证较高的匹配精度。针对这种问题,本文提出了一种低频车辆轨迹数据的地图匹配算法,并将匹配后的车辆数据应用于交通拥堵分析。本文主要工作和贡献如下:(1)本文首先系统地介绍了地图匹配算法和交通拥堵的研究背景及意义,概述了国内外研究现状及其特点;其次,着重分析了地图匹配算法基本原理,并对现有的地图匹配算法进行比较;随后,介绍了地图匹配预处理技术;接着,介绍了交通拥堵的相关概念以及交通拥堵的时空特征。(2)针对传统的地图匹配算法在处理低频车辆轨迹数据时,无法保证较高的匹配精度的问题,本文提出一种基于隐马尔可夫模型的有向地图匹配算法。传统基于隐马尔可夫模型的地图匹配算法在计算观测概率时,仅仅考虑到观测点的定位误差。当车辆初始时刻的观测点位于交叉路口时,将无法匹配到准确的路段。因此本文在计算观测概率时,同时考虑到车辆行驶方向。此外,本文将路网的几何特性和定位误差的变化趋势引入观测概率模型,进一步提高地图匹配精度。实验结果表明,本文提出的算法在处理低频和高频车辆轨迹数据时,均能保持较高的匹配准确率。(3)本文将基于匹配过的车辆数据应用于交通拥堵的时空特征分析。根据车辆轨迹数据的特征和交通拥堵相关理论,计算路段平均速度并对其进行交通拥堵分级,并分析不同时段、不同区域交通拥堵变化情况。分析结果表明,交通拥堵规律性强且多发生在城区中心。