对道路交通状态进行准确、及时的估计是构建城市交通流诱导系统的基础和关键技术,也是智能交通系统中一个重要的研究领域,可以有效地防止城市路网中交通阻塞的发生,减少车辆在路网中的无效行驶和等待时间,最终从宏观上实现交通流在路网中的合理分配。当前的交通状态估计方法都是利用扩展卡尔曼滤波来对交通状态进行递归估计。这些方法的研究对象从早期孤立且较短的路段逐步扩展到具有简单拓扑结构的道路网络,对交通情节的假设也越来越多样化。研究结果表明,扩展卡尔曼滤波方法能够有效地对交通状态进行估计,而且运算量很小。但是,由于交通状态估计问题本质上是一个非线性和非高斯问题,扩展卡尔曼滤波方法存在较大的误差。如果能够找到一种对非线性和非高斯系统直接进行估计的方法,就能避免扩展卡尔曼滤波方法对模型线性化带来的问题。粒子滤波器就是这样一种非线性估计方法,它通过MonteCarlo方法对状态的后验概率密度函数进行采样,并且赋予每一个采样点相应的权值。然后根据状态方程和观测方程对采样点和权值进行递归更新,最后通过求这些采样点的一阶或二阶矩得到状态的估计值。本文的主要任务就是将粒子滤波理论和宏观随机交通流模型结合在一起,对道路的交通状态进行实时估计。在本文所提出的方法中,道路被看作是由等距离的路段首尾相接而成的模型,交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。本文采用压缩状态空间的形式,将交通流模型的参数也作为交通状态而非常量进行估计。本文还研究了不同的估计方法对算法性能的影响。计算机仿真和真实环境下的实验结果证明,本文提出的粒子滤波方法显著地优于扩展卡尔曼滤波方法和无气味卡尔曼滤波方法。粒子滤波方法不但能够有效地估计和跟踪交通状态的变化,还具有更高的精确度,而且该算法复杂度和计算量的增加并不会影响其实际应用效果。