路径流量作为OD需求、路段流量等交通信息的基础，在交通系统精细化分析与实践中有着基础性作用，例如可以支撑交通设计和管理、信号协调方案设计、电动汽车充电桩布局优化等。然而，交通网络中现有观测设施尚未覆盖全网络，难以获得较为准确的全网络路径流量。有必要利用既有的交通数据，精确估计网络层面的路径流量信息。此外，OD需求不确定性在交通系统长期变化中客观存在，在交通网络层面，不同路径流量具有不同的随机分布特征。因此，有必要利用长期观测数据，估计网络层面的路径流量随机分布特征。
　　考虑到随机性在交通网络上的传播，本文首先利用随机路段行程时间均值函数，建立了路径流量均值估计模型，并设计了“原问题-对偶问题”的迭代平衡算法。该模型具有如下特点：(1)克服了传统的确定性路段行程时间函数对随机路段行程时间均值的低估影响；(2)模型具有唯一的全网络路径流量均值解；(3)能够刻画待估计路径流量的均值特征。然后，利用SiouxFalls和Winnipeg两个网络估计全网络路径的流量均值和未被观测路段的流量均值，验证了模型的准确性和有效性。
　　为了进一步刻画观测量和待估量的多维度随机分布特征，引入高阶累积量(均值、标准差、偏度、峰度)的概念，建立了路径流量高阶累积量估计模型，将对路径流量的“均值(点)估计”提升到了对路径流量“高阶累积量的估计”。该模型除了继承前述路径流量均值估计模型的特点，还能够精细化地刻画输入数据和待估计路径流量的多维度随机分布特征，能够考虑不同路段流量、不同路径流量的随机特征异质性。此外，分别以SiouxFalls网络的全部观测路段集、部分观测路段集为输入，验证了模型在估计路径流量高阶累积量中的有效性。
　　最后，针对深圳快速路网开展实证分析。使用车牌识别数据，提取作为输入的观测路段流量数据，以及验证性路径流量数据，在路径层面验证了路径流量高阶累积量估计模型的估计精度，并探讨了路径流量高阶累积量的应用价值。