对高速公路路段进行拥堵检测,是实现有效管理和及时管控的必要前提。由于数据条件的限制,以往研究的数据大多来源于单一数据源,难以从多侧面表征出全面的交通状态。同时,受检测设备安装间距带来的影响,现有检测模型难以满足各自的适用条件,导致检测率难以提升。目前高速公路各检测设备的布设和推广为获取多源数据提供了条件,在考虑检测设备分布情况下,合理利用现有高速公路各数据源,建立有效的路段拥堵检测模型,对于高速公路管理质量的提升具有重要意义。因此,本文结合高速公路车检器数据、视频图像、收费数据及卡口数据,充分利用各数据源所提供的交通参数,分别针对检测设备分布密集和稀疏的两种情况,采用融合的方式建立高速公路路段拥堵检测模型,从而提高检测率,这对高速公路管理质量的提升具有重要意义。论文主要内容如下:(1)针对检测设备分布密集的情况,采用决策级融合方式对路段进行拥堵检测。首先基于收费数据及卡口数据对当前高速公路路段的平均行程时间进行估计,减小由于行程时间的时延性带来的影响。然后基于上下游车检器数据,建立拥堵检测模型。之后将视频检测结果和以上两个结果进行决策级融合,建立了在设备分布密集情况下的高速公路路段拥堵检测模型。结果表明在检测设备分布密集的情况下,基于决策级融合的检测模型具有良好的检测效果。(2)针对检测设备分布稀疏的情况,采用特征级融合方式对路段进行拥堵检测。首先基于上下游车检器数据、收费数据及卡口数据,提取得到相关特征,以无监督学习和有监督学习结合的方式,实现特征级融合,建立路段拥堵检测模型。结果表明在检测设备分布稀疏的情况下,本文基于特征级融合的检测模型具有良好的检测效果。(3)为验证本文检测模型的针对性和适用性,在检测设备分布密集和稀疏的情况下,同时采用决策级融合方式和特征级融合方式进行检测效果的对比。结果表明:在检测设备分布密集的情况下,采用决策级融合的方式检测效果更好;在检测设备分布稀疏的情况下,采用特征级融合的方式检测效果更好。在此基础上,对路段进行一个月的拥堵检测应用,本文提出的两种模型具有可行性且检测效果良好。