随着社会经济的持续发展和城市化进程的加快，公众出行以及货物运输需求不断增加，高速公路供需矛盾日益突出，致使交通拥堵、交通安全等问题逐渐显现。掌握高速公路交通流时空分布特征，准确预测未来OD交通量，对科学、合理地制定交通管控方案、改善路网运行环境具有重要的理论价值和实际意义。
　　本文依托收费数据，从不同时间和空间尺度分析高速公路交通流的时空集聚特征，并根据交通流变化趋势的相似性将车辆出行时间场景划分为四类：工作日、放假前一天、周末以及节假日。然后在交通量相关性分析的基础上，提出在不同出行时间场景下建立基于历史流量的OD流量预测模型。此外，为了进一步提高周末场景下OD流量预测的精度，本文提出了一种基于车辆出行档案的OD流量预测模型。通过深入挖掘收费数据中描述车辆出行行为特性以及出行时空偏好的指标，建立高速公路车辆出行档案。其次对车辆出行档案中所有指标进行集计分析，构造OD流量预测模型的特征变量集，再利用最大互信息系数法提取最优特征子集，从而建立随机森林预测模型的训练样本集，实现高速公路交通流OD流量预测。本文的主要研究成果和结论如下：
　　(1)通过高速公路交通流时空特征研究发现，在时间维度上，交通流变化具有明显的周期性；在空间维度上，交通流具有流量偏斜特征。此外，通过交通量相关性分析可知，在不同出行时间场景下，高速公路交通量与前n个时间间隔的历史交通量具有极强的相关性。
　　(2)根据交通量相关性分析结果，在不同出行时间场景下，分别采用历史交通量的时间序列数据和周期序列数据，建立了基于历史流量的OD流量预测模型。从预测结果来看，在工作日场景下，采用时间序列数据的模型预测误差为9.19%，相比采用周期序列数据的模型预测误差低2.43%；放假前一天场景下，模型预测误差仅为11.30%；而周末场景下采用时间序列数据以及周期序列数据的模型预测误差均为20%左右。实例分析表明，工作日和放假前一天场景下，采用基于历史流量的OD流量预测模型具有较高的精度；而周末场景下，模型预测误差较大。
　　(3)利用高速公路收费数据，建立基于车辆出行档案的OD流量预测模型。在周末场景下，模型的三个评价指标RMSE、MAE以及MAPE值均得到了优化，相比基于历史流量的OD流量预测模型，其MAPE值下降了7%左右。实例分析结果证明，周末场景下采用基于车辆出行档案的OD流量预测模型具有可行性。