路网车流动态OD在线快速估计是利用道路交通供需关系实现主动交通管理的关键支撑。面向城市路网，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、以OD为表征的路网交通需求时空演变规律探究不够深入等不足。在以深度学习为代表的人工智能技术快速发展新形势下，本研究以新兴身份车辆位置感知数据为基础，从大量身份车辆轨迹重构出发，基于深度神经网络，构建考虑增量更新机制的动态交通分配模型，实现车流OD与道路断面流量间复杂映射关系的精确刻画；利用刻画的映射关系，构建路网车流OD在线估计模型，通过启发式遗传搜索寻优，实现车流OD估计的在线快速求解；依托动态交通分配及OD估计结果，分析OD需求与行程时间的不确定性水平。
　　首先，本文采用 Encoder-Decoder 深度学习框架构建了路网动态交通分配模型，主要包括三个方面：①Encoder 与 Decoder 框架构建；②训练模型构建与参数标定；③输入输出形式确定。对深度学习模型的模型训练精度以 GEH 值为指标进行评估，结果表明现有数据集与模型框架总体上能够满足大多数路段的交通分配精度要求；分别比较模型引入 Attention 机制与不引入 Attention 机制时在测试集上的表现，结果显示引入Attention机制能够一定程度上提升模型的性能。
　　其次，基于上文利用深度学习技术所捕捉到的路网OD与道路断面流量之间的映射关系所形成的交通分配器，采用启发式算法构建了路网OD估计模型。首先对路网的历史OD模式与OD波动特性进行提取，作为启发式算法的初始条件与迭代范围；其次采用“多种群并行计算 +(μ+λ)_ES”算法对路网OD估计进行建模，得到OD反推模型，同时对模型精度采用MAPE指标进行评估；接着，为进一步提高模型精度，本部分从历史OD模式提取和ES 算法变异强度两方面对 OD估计模型进行优化，结果显示绝大多数OD的估计结果精度都得到了提升；最后，基于所得OD估计模型，设计了动态交通分配模型的增量更新机制，进一步提升了深度学习模型的精度。
　　最后，基于上文通过OD估计模型所推得的路网全样本OD数据，分别对OD行程时间和OD需求随时间变化特性进行了分析。本文基于高斯混合模型提取均值、缓冲系数等指标，分析OD行程时间可靠性与OD需求的不确定性水平。对交通需求的不确定性水平的研究是探究城市路网交通时空演变规律的一次有益尝试。