理解交通流从不平衡状态到平衡状态的演化过程对于交通管理来说是非常重要的。逐日动态交通分配模型可以纳入许多行为假设,相比于静态分配模型能够更好地对交通流的演化进行描述。在过去许多文献中,学者们都认为交通出行者过去的经验会影响其对出行成本的预测以及路径的选择。在此基础上,经典的二阶逐日动态模型把出行者的学习行为及流量切换过程融合在一起进行建模。该二阶模型通过与物理中的弹簧振子模型作类比,定义了交通系统演化的动能和势能。但是,其研究仅仅只讨论了收敛到确定性用户均衡下的情况。本文将上述动态模型扩展成一个收敛到随机用户均衡下的动力学系统,以此来捕捉出行者在审视不同出行成本的时候出现的误差。在对用户的路径选择行为进行建模的时候,随机均衡模型假设用户在感知成本及选择最短路的时候会存在误差。通过将随机因素引入到模型中,本文提出了一个新的动力学系统来更准确地描述用户逐日的交通行为选择。本文证明了该系统的不动点就是随机用户均衡点。为了更好地理解该系统,对系统的能量进行了重新定义与类比。通过将定义的总能量构造成李亚普诺夫函数,本文给出了用于求解SUE的凸规划问题的目标函数意义。此外,证明了无论如何选取初始交通流,整个系统最后都会达到随机用户均衡,与此同时系统的总能量达到最小。通过算例,本文探讨了模型中不同参数(灵敏度参数、记忆遗忘率以及SUE分布参数)的作用。由于在实际中路段流量数据比路径流量数据更容易获取,本文提出了一个基于路段流量的考虑学习行为的逐日动态模型,并探究了该模型的一些基本性质。证明了该模型最后会渐进收敛到用户均衡点。最后,本文设计了一个虚拟实验(268人参与,为期26天)来对逐日动态路选择过程进行仿真。基于观察到的路径流量以及路径成本,本文对文献中一些经典的逐日动态模型以及本文的新模型进行了参数标定及比较。实验结果表明,考虑随机因素的新模型在对现实路径选择行为的解释力上有一定的加强。