随着城市化进程在我国的加快和机动车数量猛增,居民出行越来越便利的同时,交通拥堵也成为主要的“城市病”之一,主要表现为拥堵程度加剧、拥挤时段延长、拥堵范围扩大。因此,实时掌握路网交通拥堵状态对于监控管理交通状况有重要意义。装有GPS的出租车作为移动检测器在路网中分布较广,是检测路网交通状态的一种有效手段。利用出租车GPS数据来估计路网实时的交通状态,提高交通管理效率,已经成为目前的研究热点。本文基于武汉市道路数据和30天的武汉市出租车数据,对交通拥堵状态和相关预测模型进行研究。主要研究内容从以下三方面展开:(1)对出租车GPS数据进行预处理,包括分析数据格式和字段含义、误差分析和误差处理方式、研究路网匹配原理、对数据进行筛选处理、用滤波剔除错误数据、建立数据处理原则和方法、转化数据格式使其能用于接下来的分析、将数据按照时间顺序排序等。(2)构建基于空间相关性的交通参数预测模型。研究的交通参数预测模型有:ARIMA预测模型,RBF神经网络预测模型和组合预测模型。在运用ARIMA模型对交通参数进行预测时,历史预测结果被连续分析,未来预测值则根据其预测误差进行调整。RBF神经网络预测模型可以处理较多的输入数据和较为复杂的情况。组合预测模型是采用最优权分配法组合这两种模型对交通参数进行预测的结果。最后通过算例分析比较几种预测模型对城市路网交通参数的预测结果。(3)构建基于速度的拥堵识别模型。基于交通拥堵的定义,选择速度作为拥堵预测和结果评估的主要交通参数。利用上述的拥堵模型做出实例预测,并对预测结果进行相关评价。