近年来,随着城市车辆保有量的不断增长,交通拥堵问题日益严峻,极大影响了城市个体车辆的日常出行。个体出行路径链中蕴藏着丰富的交通流微观参数,利用出行路径链进行数据聚类、挖掘与碰撞分析,系统、全面地评估城市交通网络中车辆的出行规律和路径选择行为,为协调路网拥堵分配,提高道路车辆通行效率提供有力支撑。因此本文研究以个体出行链重构研究为中心,同时探究交通流修复、路径行程时间估计领域助力出行特征构造分析。研究基于车牌识别数据的数据预处理、数据质量评估及数据时空相关性分析。介绍智能卡口设备基本工作原理及常用布设策略,阐述车牌识别数据的特点并基于该类数据进行预处理及质量分析,另外还介绍了路段层面上的行程时间样本筛选提取和个体出行路径链组合提取的方法。也同时描述了隐藏的时间和空间关联性,为后续研究提供可靠的支撑。研究基于图循环卷积生成对抗网络的交通流量修复模型。以城市路网高清智能卡口监测的路口过车流量数据缺失为研究背景进行建模。首先构建随机缺失、非随机缺失、组合缺失三种缺失模式交通流数据集,随后利用Tensorflow深度学习框架搭建图循环卷积生成对抗网络(Graph Recurrence Convolution Generation Adversarial Network,GRCGAN),网络框架优化了生成对抗网络中的时空特征提取器单元,使之有效提取路网交叉口的时空相关性,最后将GRCGAN与BGCP(Bayesian Gaussian CP decomposition)、Ha LRTC(High Accuracy Low Rank Tensor Completion)的张量分解算法及GAIN(Generative Adversarial Imputation Nets)算法模型进行对比,结果表明本文提出的修复模型性能更为优越,为路径链重构实验中所计算的路段交通密度提供基础。研究城市路网下路径行程时间分布估计。首先提出使用贝叶斯信息准则确定交通状态类别数,为挖掘上下游路段行程时间的空间关联性,采用GMM聚类进行交通状态识别;随后依据马尔科夫链理论,计算初始概率及状态转移矩阵对路段行程时间动态趋势进行表示,同时计算链连接概率串联各上下游路段信息;最后计算路网中各路径交通状态下的条件路径概率,统计其各路段的行程时间分布,将各分布卷积计算的结果以条件路径概率加权估计得最终的路径行程时间分布,实验结果表明本文改进的条件路径概率加权的估计方法效果更准确、鲁棒。研究基于梯度提升决策树算法的城市个体出行路径链重构算法。根据车牌号码匹配目标车辆并以时间排序提取视频检测器获得的路径链,并结合交叉口邻接矩阵、路段行程时间及路径行程时间分布进行路径链初次分离,然后,依据车辆出行特征、修复的交通流、路径行程时间等参数提取影响路径选择的关键特征,并基于选择的特征提出了基于梯度提升决策树的局部丢失路径链重构算法,最后,以某市南明区实际视频车牌识别数据为例,根据重构算法准确性和计算效率验证了文中算法与传统算法及机器学习算法。结果表明,本文算法的重构准确率达到91%,对比传统多目标优化及机器学习算法,梯度提升决策树算法在车辆路径链重构方面有较大优势。