交通需求分析是交通规划和大型交通组织方案研究分析的基础性工作,而OD矩阵则是其最基本的依据。OD反推是获取OD矩阵的一种方法,当直接获取OD矩阵较难或经济代价很大,而获取路段流量相对更为简单时,通过路段流量反推OD矩阵就变得非常必要。实际的道路交通网络中影响反推结果的因素很多,既有的反推模型难以准确表达内在关系复杂的路段流量与OD的关系,导致反推结果与实际情况出入较大。人工神经网络可以利用其特有的结构与推算原理,可以较好的表达输入与输出的内在关系,因而本文探究通过人工神经元网络推算OD的可能性。本文首先通过研究OD反推的基本理论和神经网络模型对神经网络反推OD进行了可行性分析,提出了通过神经网络反推OD的基本思想及方法框架;通过分析BP神经网络在OD反推上的优势,建立了神经网络反推OD模型;针对神经网络反推OD训练样本难以获得的问题,提出虚拟OD矩阵,进行交通分配获得路段流量,作为训练样本;然后基于python实现模型构建及模型训练;最后基于实际路段流量进行OD反推并对反推效果进行分析。从结果可以看出:训练样本的容量不应太少,从两次反推效果可以看出,当增加训练样本容量之后,训练样本和反推结果误差明显减少,因此应尽可能多的增加训练样本的容量;训练模型时,训练样本的训练误差越小越好;在个别训练样本误差不满足要求的情况下,反推结果误差较大,因此在样本拟定时,样本应能较好的反应实际工程的交通状况。上述结论的得出,为现代交通规划理论增加了新的内容,该方法可用于实际工程,为工程实践增加一种实用方法,具有较强的实践意义。