交通需求和道路网络供给失衡是导致诸多交通系统问题的本质,在供给侧提升空间有限的情况下,对交通需求实施准确诱导,均衡其在时空上的分布,充分利用已有道路网络资源被认为是缓解当前供需矛盾行之有效的方法。既有诱导系统多是只针对当前交通状态的简单反馈,实施效果有限;相关理论研究以系统总成本为唯一优化指标,缺乏用户意愿层面的考量,诱导服从率难以保证。基于此,本文构建以系统最优为导向综合考虑用户出行路径选择行为的动态交通分配模型合理分配交通需求,在此基础上研究诱导方案生成方法,以此作为城市道路交通流实时诱导的理论基础。论文的核心工作包括城市路网动态OD(Origin-Destination,简称OD)估计方法、车辆出行路径提取和诱导方案生成三个方面,具体研究内容及主要结论如下。获取准确可靠的交通需求是动态交通分配过程得以顺利实施的前提和基础,论文提出的城市路网动态OD估计方法旨在采用可观测的路段和转向流量信息估计得到路网范围的交通需求矩阵,以此作为分配模型的输入。现有OD估计模型所采用下层分配算法包括数学解析法和仿真法两类,均存在求解复杂度高、人为假设多及与实际情况偏差大的弊端,论文采用深度学习技术设计CNN(Convolutional Neural Network,简称CNN)模型从数据角度捕捉构建交通需求和观测流量的动态关系,实现分配关系的精准描述。其次,论文以启发式算法为估计模型上层优化算法,在采用历史数据离线估计OD模式的基础上,以实时观测流量为输入,快速计算得到动态交通需求。以昆山市主城区作为实例路网,评估结果表明论文提出的估计模型能在较短时间内输出准确可靠的动态交通需求,与现有商业软件PARAMICS相比,在效率和准确性方面均有较大优势。在深入分析用户出行行为的基础上,将路径选择行为纳入到系统最优动态交通分配建模环节是提升诱导服从率,保障个体用户利益的关键。论文以实际采用的高清卡口数据和出租车GPS数据为基础,针对各类数据源的特点,提出城市道路车辆轨迹重构方法,准确提取用户出行路径,为后续分配环节提供基础数据支撑。同时,为了对由于设备数据质量导致的路径缺失进行估计,论文给出了考虑转向延误的城市路网时变K最短路径搜索方法,以路段行程时间和转向延误为权重,删除法为外层循环,A*算法为内层循环,快速搜索得到时变K最短路。通过与遗传算法进行比较,论文提出的方法具有求解速度快精度高的优点。最后,论文构建基于系统最优的动态交通分配模型计算最优路径选择方案,并以此为目标研究诱导方案生成方法。考虑到常规动态交通分配模型中大量非线性约束对模型求解带来的极大困难,论文将物理路网抽象成高维时空网络,把行程时间等约束嵌入路网建模环节,构建整数规划模型实现基于个体车辆以系统最优为导向的动态交通分配模型。进一步的,在提取用户出行路径的基础上,生成有效路径集,将交通需求分配至用户日常出行路径。最后,以实际诱导效果和期望效果差异最小为目标,综合考虑诱导终端覆盖率和服从率的影响,提出诱导方案生成方法。实例分析表明,论文提出分配方法在几乎不增加系统总成本的情况下,保障个体用户权益;诱导方案生成方法通过调节诱导比例,有效缩小实际诱导效果和期望诱导效果间差异,实际可操作性强。