交通流检测是智能交通系统的重要组成部分,它是将各种传感器检测到的信息汇总得到实时准确的交通流数据,送给智能交通控制中心,使其发出相应的指令,从而实现智能控制的目标。交通流检测技术已从单一传感器处理系统发展成为多传感器处理系统,将多种类型的传感器进行优化配置,性能互补。如何提高数据处理的精度和可靠性正是当今交通流数据处理技术研究的一个重点。近年来,人们应用各种方法对交通流参数进行检测,如:神经网络算法、Bayes决策理论、专家系统、遗传算法、Kalman滤波等,并取得了一定的成果。本文提出了基于信息融合算法对交通流参数进行检测和预测。该融合检测和预测算法与传统的检测和预测方法相比,既不是单一的数据检测、预测方法的运用,也不是对单一检测数据的使用,更不是对这些方法和数据的简单组合,而是包括从拓展数据到选择有效检测方法,再到方法和数据的融合。该算法一方面提高了预测的准确性,另一方面提高了预测的鲁棒性。本文以环形检测线圈为例,对基于信息融合的交通流检测的方法进行了研究,主要包括以下几个方面:(1)在对车速进行检测的过程中,为了进一步提高车速检测的准确性,在进行数据融合之前采用分布图法检测法和基于相容矩阵的失效数据剔除方法两种方法对数据的有效性进行检测。阐述了加权平均算法检测车速的基本原理,分析了最小均方差加权平均算法和自适应加权平均算法的优缺点,通过对比仿真实验验证加权平均算法检测车速的准确性。(2)根据贝叶斯理论估计交通流量的需要,建立交通流的数学模型,并以此为基础分别使用基于贝叶斯参数估计理论检测交通流分布的算法和基于贝叶斯风险决策理论两种算法对交通流分布情况进行研究。对两种算法做了对比分析,突出了在风险损失系数不同的情况下,贝叶斯风险决策理论在检测车流量中表现的良好特性,说明了决策的合理性。(3)为了消除数据检测过程中野值的干扰,提高预测精度,在应用卡尔曼滤波理论对车辆的排队长度进行预测的基础上,提出了基于M估计理论的抗野值的卡尔曼滤波预测方法,通过仿真实验说明其具有较强的鲁棒性。本文在仿真生成的流量数据和车速数据的基础上,对上述方法的有效性进行了验证。