路网车流OD矩阵描述了城市道路交通网络中车流出行的时空分布,为城市道路交通规划和管控提供了重要数据支撑。早期基于人工调查的静态OD流量获取方法存在数据收集成本高昂和数据更新不及时等主要问题,难以满足当前动态交通管控的需求。现有主流的基于路段流量反推OD流量的动态OD估计方法通常涉及动态OD估计和动态交通分配两类复杂优化问题,建模与求解过程常常充满了极大的挑战性。随着交通检测技术的日益进步,多样化和精细化的交通大数据的收集变得愈加容易。在此背景下,基于精细化车辆出行轨迹数据对路网车流OD进行估计与预测,逐渐成为当前路网动态交通需求数据获取的主流和新兴手段之一。尽管如此,利用车辆轨迹数据对路网车流OD进行精准可靠地估计和预测并不是一件易事。一方面,受交通检测设备故障、数据传输或存储错误等因素的影响,获取的车辆出行轨迹数据通常呈现为时空上不完整的车辆出行轨迹片段,如何实现精准的车辆出行轨迹重构,成为基于车辆轨迹数据的路网车流OD估计研究中一项极其关键且具有挑战性的课题。既有路网车辆出行轨迹重构方法主要依赖于车辆路径选择行为经验假设（如假设车辆在路网上通常走行程时间最短路径）,当假设条件与现实情形不符时,车辆轨迹重构模型精度将会显著下滑,进而影响OD估计准确性。另一方面,考虑到时变的OD矩阵刻画了路网交通需求的动态时空分布,如何实现对路网车流OD流量数据中隐含的复杂非线性时空关联关系进行精确刻画与捕捉,成为当前路网车流OD预测建模中一项关键挑战性课题。考虑上述背景,依托自动车辆号牌识别数据和无人机航拍视频提取轨迹数据,本论文旨在基于深度神经网络算法和多头自注意力机制,研究车辆轨迹数据驱动的城市路网车流OD估计与预测方法,重点涉及两方面建模工作,其一是构建基于多头自注意力深度神经网络（Multi-Head Attention Based Deep Neural Network,简称 MHA-DNN）的路网车流OD估计模型,其二是构建基于多头自注意力长短时记忆神经网络（Multi-Head Attention Based Long Short-Term Memory Neural Network,简称 MHA-LSTM）的路网车流OD预测模型。论文的主要研究工作及结论包括以下三个方面。（1）在车辆轨迹数据预处理方面:首先,针对自动车辆号牌识别数据,通过设计针对性预处理策略,开展了数据去重、数据有效性检查、行程时间异常检查和数据映射匹配四方面预处理工作;其次,针对无人机航拍视频提取的车辆轨迹数据,通过设计针对性预处理策略,开展了数据结构转换、车速零点漂移检查、数据筛选、经纬度漂移检查四方面预处理工作;最后,提出了针对上述两类轨迹数据源的车辆出行轨迹链划分方法,并据此构建了车辆出行轨迹链数据集,为后续路网车流OD估计提供数据支撑。（2）在路网车流OD估计方面:提出了基于MHA-DNN的城市路网车流OD估计方法,包括三个核心技术环节。首先,以完整车辆出行轨迹链数据集为基础,建立了车辆轨迹重构模型,通过引入多头自注意力机制,充分聚焦表征车辆轨迹序列内部节点之间相互依赖关系,利用深度神经网络具有的复杂非线性特征及模式提取能力,学习和捕捉车辆出行轨迹链数据集隐含的路网车辆出行规律;其次,利用所建立的车辆轨迹重构模型对不完整车辆出行轨迹链进行数据补全,从而获得检测出的全部车辆的完整出行轨迹链;最后,依据路网交叉口车辆检测率,设计扩样策略对路网车流OD流量进行推断。利用我国昆山市自动车辆号牌识别数据和希腊雅典市无人机航拍视频提取轨迹数据对所提出车辆轨迹重构模型的有效性和路网车流OD估计方法的合理性进行了评估与验证。结果表明,在轨迹数据采样率为50%、70%和80%的情形下,所提出车辆轨迹重构模型均优于典型的KNN模型和Text-CNN模型。此外,通过对再分配之后的路段流量的准确性进行评估以及对估计获得的路网车流OD流量进行可视化分析,验证了所提出路网车流OD估计方法的合理性。（3）在路网车流OD预测方面:提出了基于MHA-LSTM的城市路网车流OD预测方法,通过引入多头自注意力机制对时变路网车流OD矩阵之间相互依赖关系进行充分聚焦表征和编码,在此基础上,利用长短时记忆神经网络进一步捕捉编码后的时变车流OD矩阵之间的复杂非线性关联关系,从而实现对路网车流OD流量的可靠预测。利用我国昆山市和希腊雅典市估计获得的不同时间间隔的路网车流OD流量数据集对所提出方法及对比方法进行了性能评估与验证。结果表明,在所有选取的时间间隔下,所提出方法的预测性能均要优于对比方法。