利用道路交通供需关系实现精细化城市交通管理是智能交通的主要内容,其中城市路网动态OD估计是交通需求侧的重要支撑。现有理论与方法存在动态交通分配模型难以精确描述真实路网车辆出行路径选择规律、OD估计模型调优求解费时费力等不足。各种车辆检测器的广泛布设为智能交通提供了多样的交通大数据,以高清卡口车辆检测器采集的号牌数据为代表的车辆轨迹数据可以提供车辆的行驶路径,为估计路网动态OD提供了数据支持。以深度学习为代表的人工智能技术为交通科学问题提供了新的解决思路。本研究以车辆号牌数据获得的车辆出行链为基础,以深度学习中的监督式学习方法为主要手段,主要内容包括车辆出行链划分、车辆轨迹重构、路网动态OD估计三个方面,具体研究内容总结如下。获得车辆单次出行的出行路径是后续动态OD估计的基础步骤。从号牌数据中容易提取出所有车辆当天的出行链,但车辆出行链通常包含多次出行,因此首先将车辆出行链进行划分。考虑路段行程时间的时变特性,本文基于微波数据和路段的长度属性,利用dijkstra算法的搜索思想,提出了一种适用于城市路网的交通小区最短路求解方法;以此方法求得的交通小区特定时段的最短行程时间为依据,与号牌数据记录的实际行程时间作比较,从而完成对车辆出行链的划分。不完整车辆轨迹重构在本文中的目的是为动态OD估计提供更加准确完整的道路可观测流量。论文首先根据车辆轨迹的完整性,将由车辆出行链划分得到的车辆出行轨迹分为完整车辆轨迹、不完整车辆轨迹和单次记录出行轨迹三类;考虑车辆轨迹的可能缺失情况,设计适合LSTM神经网络的输入输出数据形式和神经网络框架,捕捉路网内车辆的轨迹特征;用测试集对训练好的模型进行准确性评估,评估结果表明论文提出的重构方法满足实际需求;利用训练好的LSTM神经网络车辆轨迹模型,本文提出了一种不完整车辆轨迹的重构方法,用该方法补全号牌数据得到的不完整车辆轨迹。将监督式学习中的CNN和LSTM两种神经网络相结合,构建兼具时空特性的动态OD分配模型,基于进化策略思想用训练好的分配模型快速估计动态OD。首先,搭建适用于动态OD分配问题的CNN+LSTM模型框架,捕捉路网动态OD和可观测进口道流量、可观测交叉口转向流量的时空关系;其次,基于训练好的分配模型提出一种采用进化策略思想的路网动态OD估计方法;最后,分别对模型的交通分配性能和动态OD估计性能进行评估,结果表明,本文提出的方法能够快速和较为准确地估计城市路网动态OD。