交通控制与交通诱导系统是ITS分析与研究的热点和难点问题,而实现交控制与交通诱导系统的关键问题就是实现实时的交通信息的检测和预测。针对无线定位的NLOS问题,论文对传统的TDOA/AOA算法进行了改进。在TDOA和AOA定位算法中引入伸缩因子,用以降低非视距误差。仿真性能分析表明,改进的算法不需要事先知道信道的先验信息,有效的减少了非视距传播的影响,提高了定位精度。针对浮动车系统数据量大,精度要求高等特点,对其地图匹配算法进行了研究。提出采用综合考虑运动的方向角、电子地图的道路的拓扑关系等的匹配算法,提高了定位的的实时性和精度。针对BP算法学习收敛速度慢等问题,采用了L-M算法。构建了在不同交通状态下的多BP神经网络模型,用于对交通参数进行预测。L-M算法的训练速度相比于常规BP算法收敛速度要快。相对于常规预测方法,BP神经网络对于随机的参数变化具有更好的适应性,能够及时跟随交通参数的变化,所以有更高精度,更好的适应性。仿真结果表明了方法的有效性。