无论是交通动态管控措施的优化提升,还是智能交通系统的设计实施,都离不开对路网交通流动态演化过程的模拟和预测。交通网络流演化模型是对传统交通均衡分配方法的延伸和发展,它从个体层面考虑了路网出行者日复一日的经验学习和决策调整行为,因此能够在集计层面描述路网交通流的逐日变化过程。由于动态演化模型所具有的优势,对它的研究在最近三十年来变得越来越深入。但已有的大多数模型在研究视角、建模方法等方面都存在诸多分割,尚未形成统一的理论框架,对各个模型之间的关系也未明确。另外,大量的研究工作还处在理论分析阶段,有关模型参数的校正估计工作依然欠缺,离实际应用尚存在距离。本论文旨在建立出行者行为机理相统一的确定过程(Deterministic Process,DP)和随机过程(Stochastic Process,SP)演化模型,比较分析两类模型各自的特性和适用条件,并设计模型参数的统计推断方法。论文系统研究了路网交通流逐日动态演化模型的相关理论问题,着力于“模型建立—特性分析—参数估计”这一完整过程的方法设计。论文的主要研究内容包括:(1)研究体系的构建以及研究方法的确立。通过对路网交通流动态演化模型的研究综述,确定了以DP和SP两类演化模型作为本文的研究对象。根据出行个体日复一日出行行为特征,提出了统一的动态演化模型构建框架。结合两类模型各自的理论特性,确定了以非线性动力系统和随机过程(马尔科夫链)理论分别作为两类模型的建模和理论分析方法。按照易获取和稳定可靠的原则,选定了路段交通量逐日连续观测数据作为模型参数估计依据,鉴于观测数据包含的似然信息特征,确定了以贝叶斯推断技术作为模型参数估计方法。(2)路段交通流DP演化模型的建立及其理论特性研究。基于动态演化模型框架,分别推导了描述路网出行者对经验学习更新和对路径选择调整的动力方程,通过整合两个方程,建立了DP演化模型,用于描述路网交通流逐日平均变化趋势。同时,运用非线性动力系统理论,对模型的不动点及其存在性、唯一性、稳定性等理论特性进行了分析。(3)随机路网条件下DP演化模型的扩展。在路段通行能力随机下降的环境中,构建了一个扩展的DP演化模型,同时考虑了出行者的风险性路径选择行为,和ATIS交通预测信息在路网系统中发挥的作用。在扩展模型中,引入了“出行时间预算”(TTB)概念,以体现出行者对路径负效用的感知。同时,设计了一致性交通信息预测机制,用来体现ATIS的交通信息发布策略。通过对所建模型的理论分析和算例验证,明确了出行者风险态度、ATIS交通预测信息两类因素对路网交通流演化过程的影响。(4)路网交通流SP演化模型的建立及其实现方法设计。在DP演化模型的基础上,额外考虑了 OD总出行需求的逐日波动和个体出行者决策行为的主观随机性对路网交通流演化的共同影响作用,将交通网络流演化过程抽象成以马尔科夫过程,推导出了交通流分布状态之间的转移方程,并以此构建了交通网络流SP演化模型。给出了模型的规则性条件,保证演化过程能最终收敛到唯一的交通流平稳概率分布。在此基础上,设计了基于蒙特卡罗模拟技术的模型实现方法。(5)路网交通流DP和SP演化模型关系分析。在路网交通量和路段通行能力“同步无限放大”的条件下,给出了路网交通流随机演化平稳分布的渐进结果,探讨了 DP、SP演化模型各自的平稳结果与路网交通流随机型用户均衡(Stochastic User Equilibrium,SUE)状态之间的关系。通过对DP、SP两类模型进行回顾和比较,采用渐进分析方法,研究了两类模型之间的对应关系。根据理论分析结果,确定了 DP、SP两类演化模型各自的适用条件。(6)路网交通流演化模型参数估计方法的建立及抽样算法设计。根据贝叶斯推断思想,通过执行路网交通流动态演化的逆过程,以路网交通量逐日连续观测数据作为输入信息,反估出演化模型中的各类参数,包括路网OD交通矩阵以及出行者行为参数。以SP演化模型为基础,推导出了模型参数的似然表达式,结合先验信息,建立了贝叶斯推断模型。同时,设计了具体的马尔科夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)抽样算法用于计算贝叶斯模型各个参数的后验分布。