交通流量估计问题是运筹学与管理科学交叉研究的热点问题之一。交通流量可以反映城市交通系统需求的状况,是交通规划与管理的重要基础数据。本文从数据相关性的角度入手,首先定义了结点-路段-OD对关联矩阵,提出了基于网络结点交通流守恒特征的路段流量和OD需求估计方法;接着以路段之间的交通流量相关性为指标,建立了基于交通流量相关性的交通流量多阶段估计模型,并给出了求解算法和数值算例。第一章绪论部分介绍了交通流量估计问题的研究背景和意义,并对交通流量估计问题的研究现状进行分类介绍。第二章简要介绍了本文研究内容所用到的一些预备知识:给出了交通配流模型的概念,并对经典的用户均衡模型和求解算法进行了概述;对论文中涉及到的机器学习的XGBoost算法以及人工神经网络的原理进行概述。第三章提出了一种基于路网结点流量守恒特征的路段流量和OD估计方法,首先定义了结点-路段-OD对关联矩阵,通过高斯消去法求解需要被观测的变量的最小子集,从而推断出其余的路段流量和OD需求,实现全路网交通流量和OD需求的同时估计。最后,通过两个数值算例来验证此方法的有效性和正确性。第四章提出了基于交通流量相关性的交通流量多阶段估计模型,该模型归结为一个整数规划问题,应用遗传算法对此模型求解,得出每个阶段需要估计的变量个数。随后,将每一个阶段估计出的交通流量作为已知变量,使用BP神经网络对下一个阶段的交通流量进行估计,从而给出了多阶段交通流量估计方法。最后,通过两个小、中型网络来验证模型的有效性。第五章给出了本文的创新点、总结及展望。该论文有图11幅,表21个,参考文献83篇。