由于城市化、机动化进程不断加快,居民的出行需求与日俱增,据此所带来的城市交通拥堵问题不断影响着居民的正常生产生活。而近年来随着智能交通系统的蓬勃发展,通过利用智能交通数据开展交通规划、交通管控的方式来缓解城市交通拥堵日益受到交通管理者的重视。动态OD能反映短时间内出行需求的变化,而在已得到未来动态OD的情况下进行动态交通分配,可获取未来道路网内各路段的交通流数据,为制定时变的交通管控方案提供数据基础,因此研究动态OD和动态交通分配对交通规划、交通管控具有重大意义。而目前动态OD获取的研究较少且相关研究大多未考虑车辆的实际运行状况,同时动态交通分配模型还存在难以实际运用于大规模道路网等问题,因此本文将基于智能交通设备所采集的车牌识别数据,开展动态OD获取和动态交通分配方法研究,以期提出一般城市道路网动态OD的获取方法和具有实际应用前景的动态交通分配模型。首先,本文阐述了原始车牌识别数据的问题,结合实际交通现象提出了普遍适用的数据预处理流程,之后分析了基础数据的数据质量。然后,在考虑车辆运行状况的情况下,本文基于Dijkstra算法、路段行程时间集以及交叉口信号周期数据,提出了一个使用动态时间阈值识别出行停留点并进行车辆出行次数划分的流程,得到了车辆单次出行的出行轨迹,为后续动态OD获取和动态交通分配研究提供了数据源。接着,本文利用完整和不完整出行轨迹获取了动态OD,所得的结果能反映短时间道路网内交通出行需求的变化;针对不完整轨迹会对基于历史动态OD和历史交通流量的动态交通分配研究造成数据噪声的问题,结合缺失轨迹起终点的过车记录和道路网拓扑结构对单点缺失轨迹和连续两点缺失轨迹进行补全,得到用于后续动态交通分配研究的历史数据集。最后,本文提出利用CapsNet来捕获历史动态OD和对应历史流量的映射关系,建立了基于神经网络的动态交通分配模型,通过测试集验证、模型对比及适用性分析,说明本文所提出的模型具备实际应用的前景。