随着经济的发展,交通流量的增长与现有道路状况之间的矛盾日益突出,已经成为制约城市经济发展的主要因素之一。研究交通流预测模型有利于交通控制与决策,是智能交通系统发挥作用的前提。OD(Origin-Destination)估计是运输网络规划和管理的步骤之一。研究OD估计为获得OD矩阵这种代价高昂而意义重大的交通需求信息提供了有效的手段。本文研究的工作主要有以下两部分:在交通流预测部分,针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高。结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测。在OD估计双层规划模型中,采用了OD反推的思想作为建模的统一理论基础,相对于大多数采用最小二乘法与随机用户均衡相结合的方法,本文使用了极大熵修正模型与基于Logit的随机用户均衡(SUE)模型建立双层规划模型,以极大熵修正模型作为上层规划能很好地利用到过去的OD出入行信息的,基于Logit的SUE模型作为下层规划能反映人们出行的随机性。在此基础上对基于Logit的SUE模型进行改进,比较以往的文献,本文综合考虑了拥挤网络,多类型用户及其相互间的作用,弹性需求等因素,使建立的双层规划模型比以往同类模型更能反映实际问题。同时,引入迭代优化分配(IOA)算法给出了求解该模型的算法,通过一个算例验证了模型的可行性,因此可认为本文所建立模型能较好地解决OD估计问题。