车辆定位技术为持续获取大规模精确轨迹带来了便利,在现如今的智能交通系统中,大规模的车辆轨迹数据具有很高的利用价值。在大多情况下,应用广泛的GPS(Global Positioning System,GPS)定位技术都能精准的提供实时的车辆位置信息。但在有些相对极端的交通环境下,比如当车辆行驶至GPS信号被遮挡的地方——高大的建筑物遮挡地、上下班拥塞、高架转弯处等,GPS的定位就无法持续提供可靠、精确的车辆位置信息,这对于人们的安全出行以及智能交通系统的发展有很大的影响。所以,如何在这复杂的城市交通环境下,获取到可靠的车辆位置信息是现在亟需解决的问题。本文基于GPS/OBD组合导航系统实现多源数据融合,研究复杂的城市交通环境下的车辆位置感知和轨迹预测算法,本文主要工作包括:首先,结合智能交通系统的特点,提出了一种新的组合导航定位系统,即GPS/OBD组合导航多源信息融合系统,通过分析GPS/OBD组合导航系统的特点,阐述了车辆位置预测中误差来源,包括坐标转换误差、数据采集误差、以及传感器误差等,并基于GPS/OBD分析了几种传统的车辆位置预测算法,并指出了其优缺点,说明了在现有的复杂交通环境下使用具有一定的局限性。其次,针对现有预测算法的不足,本文提出了一种基于GPS/OBD组合导航的车辆轨迹预测方法(LS-PSO-SVR),该方法使用支持向量回归对车辆的历史轨迹数据进行训练建模,同时加入局部收缩的粒子群算法优化SVR的参数,得到可靠有效的预测算法模型。同时结合实验证明,该算法较于BPNN、GPR和PLSR算法精确度提高了40.5%-95.5%。最后,针对现有算法在GPS失效后期都会出现误差累积的情况,且GPS失效阶段车辆的位置信息是和临近的历史轨迹有很大关联。本文又提出一种基于KRR的双向预测模型。因此,选取KRR来作为基本预测方法,并特地采用双向预测,来构建预测模型。从而提高了车辆位置预测精准度,实现车辆轨迹完整性。结合实验证明基于KRR的双向预测算法较于LS-PSO-SVR算法,精确度提高了14.63%-63.33%。本文利用python和Java语言编程,并通过Matlab平台实现数据的处理和算法的实现,通过Google earth对预测的数据可视化。这给车辆位置感知和轨迹预测算法的实现和评估,提供了一种简单且有效的方法。