随着智慧高速建设进程的不断推进,出行者对于提前掌握高速公路的交通状态的需求越来越多。交通量的准确预测是智能交通系统的重要组成部分,可以为交通诱导策略的制定提供理论基础。高速公路联网收费数据中储存的字段信息主要包括车辆进出的收费站点及时间和费用等通行信息,同时也储存如车种和载重等车辆的信息,具有内容更新及时、数据量大及获取方便的特点。本研究对于短时OD（起讫点）交通量的预测是建立在大规模的历史数据的分析和训练之上的,从将OD数据加载到路网上的动态交通分配方法、案例分析等方面,对高速公路网交通量的预测方法进行研究。基本思路如下:通过对海量的高速公路联网收费数据的预处理提取有效信息,构建高速公路网OD交通量预测模型,然后为了将预测得到的OD交通量加载到路网上,构建动态交通分配模型,进而可以得到预测时段的路段交通量。本文基于海量的高速公路联网历史收费数据,主要完成了以下研究工作:（1）对提取的高速公路收费数据的格式与字段含义进行介绍,对收费数据的研究意义进行说明,通过预处理从海量的历史数据中获取有效信息,并对收费数据中的异常数据产生原因进行分析,得到对研究目的更有价值的通行数据信息。（2）在经由数据采集和预处理得到的交通数据的基础上,对高速公路交通量分布特征进行分析,分别对不同时间尺度下的交通量、出行需求的周期相似性,以及行驶里程分布进行分析。（3）通过对高速公路OD交通量预测影响因素的相关性分析,确定预测变量;通过对长短期神经网络（Long-Short Term Memory,LSTM）模型预测功能实现原理的讨论,将一维卷积滤波器应用到长短期神经网络模型的输入特征提取过程中,分别构建只考虑当天预测点前若干时段和既考虑当天预测点前若干时段也考虑历史同期数据的混合LSTM模型,并确定模型的输入和输出,然后选取模型预测效果评价的指标。（4）为了将预测得到的OD数据加载到路网上,构建了考虑不同车辆类型的基于出行者有限理性的动态交通分配模型,通过建立与其等价的变分不等式模型,将动态交通分配问题转化为变分不等式的求解问题,最后结合MSA算法对模型进行求解。（5）根据本文的研究内容,选择以J省高速公路路网为研究对象,基于该省收费系统中提取的历史收费数据进行案例分析。结合J省基础地理信息文件和收费站的经纬度信息等构建高速公路路网模型。基于本文构建的混合LSTM网络模型对于OD交通量进行预测前,要首先获得所需的OD数据。主要分为历史同期OD矩阵和当天预测点前几个时段的OD矩阵两种。历史同期的动态OD矩阵可以通过对历史收费数据按时间间隔进行汇总可以得到,而当天预测点之前几时段的OD矩阵的获取较为困难,且不是本文研究的重点内容,因此在本文案例分析中用由收费数据采集所得到的当天的OD数据对其进行替代,获得不同车型预测当天的动态OD矩阵;基于海量的历史OD交通量数据对预测模型进行训练,并在测试集上对其进行预测性能评估,比较不同预测模型的预测效果;然后通过动态交通分配模型将数据加载到路网上,对获得的路段层面上的流量进行比较分析,验证预测方法的有效性。