随着经济不断的发展,机动车存有量急剧增加,城市交通拥堵状况的发生愈加频繁。城市交通拥堵已成为阻碍各大城市继续发展的重要原因之一。为更好地解决城市交通拥堵问题,构建城市智能交通系统显得更加紧迫。然而,交通状态估计是实现智能交通系统的前提,因此城市交通状态的实时估计具有很强的理论价值与现实意义。本文研究了基于压缩感知方法的城市交通状态估计,主要研究内容概括如下:(1)本文首先系统地介绍了城市道路交通状态估计的研究背景及意义,概述了该技术的国内外研究现状及其特点。其次,从压缩感知基础理论出发,着重介绍了稀疏表示矩阵、测量矩阵以及信号重构等三个方面的相关原理;随后,介绍了基于稀疏编码的深度学习方法及其基础理论;接着,介绍了地图匹配的基本原理及相关算法。(2)针对如何利用较少的车辆轨迹数据实现对城市交通状态的准确估计的问题,本文提出了一种基于压缩感知的交通状态估计方法。该方法将深度学习中的稀疏编码技术引入到压缩感知方法中,以实现对交通状态信息更高效的稀疏表示。本文通过匹配后的车辆轨迹数据,计算出衡量交通状态的两个指标——路段平均速度和路段拥堵率,并利用稀疏编码方法对上述两种指标进行训练,从而获得相应的稀疏表示矩阵。另外,本文还设计了相应的距离型测量矩阵以及时间型测量矩阵,以实现基于压缩感知的交通状态估计方法。实验结果表明,基于稀疏编码方法能够实现对相邻时刻的交通状态信息更有效的稀疏表示,并能获得较低的估计误差。(3)为进一步降低压缩感知方法对城市交通状态估计的误差,本文结合路网拓扑结构并引入高斯联合分布模型,提出了一种基于高斯核函数的稀疏表示矩阵,以提高对交通状态信息的稀疏化性能,并提出了 一种利用部分探测车来估计交通状态的方法;该方法构建了一种稀疏型的测量矩阵,从而减少了探测车的数量;最后,分析了本方法构造的稀疏表示矩阵与测量矩阵是否满足压缩感知理论中的双非相干性原则。通过真实数据的仿真实验结果表明,该方法能够减少交通状态信息的重建误差,实现更准确的城市交通状态估计。