（1）目的和意义

随着我国经济的迅猛发展，我国机动车保有量逐年增加。截止2018年，我国机动车保有量已达3.27亿，较2017年增长了10.51%。然而目前的交通基础设施建设难以满足人们日益增长的出行需求，城市交通供需不平衡导致交通拥堵等诸多问题，严重阻碍了城市发展。据美国联邦公路局发布的数据，1999年到2005年，美国因交通拥堵而造成的直接经济损失高达880亿美元，车辆延误时间增加了80亿个小时，严重影响了居民的出行效率。中国交通部表示我国每年因交通拥堵而造成的经济损失达2500亿元，约为国内生产总值的5-8%。城市交通拥堵不仅导致了巨额的经济损失，还导致了城市生态环境进一步恶化，严重影响了居民的日常生活和出行。Barth等人利用加州道路交通数据研究车速与二氧化碳排放量之间的关系，实验结果发现低速拥堵路段行驶的机动车二氧化碳的排放量可达正常运行状态的排放量的3倍以上。

面对日益激化的交通供需矛盾，一味地进行交通基础设施建设等传统的交通手段很难有效地解决问题，城市交通系统急需先进的交通控制和管理手段以缓解急速增长的出行需求和有限道路资源之间的不均衡。随着数据时代的来临，存储技术、通信技术等技术应用至道路监控等交通领域，形成了海量交通大数据，合理充分地利用交通大数据可以更好的服务于城市交通系统，有利于构建良好的交通环境。

OD矩阵作为描述交通出行空间分布特征的重要手段之一，是城市交通规划与管理的基础数据。利用视频监控等技术采集的交通流数据进行OD矩阵估计可以避免传统人工采集数据所产生的巨额花费同时可以提高OD矩阵估计精度，可靠有效的OD矩阵可使道路规划者了解到出行者的出行活动在道路交通流的空间分布，从而方便进行道路规划，交通网络建模，缓解道路拥堵

（2）国内外研究现状分析

Van Zuylen [1]:1980年，Van和Willumsen提出了最小信息模型和最大熵模型，以数学模型的形式表示目标OD矩阵和参考OD矩阵间的关系，结合交通量数据实现静态OD估计。

M.J.Maher [2]:1983年，Maher通过道路交通流数据，利用贝叶斯统计方法进行OD矩阵估计。

Ennio Cascetta [3]:1984年，Cascetta建立广义最小二乘法模型，结合样本或模型评价和交通量数据以实现静态OD估计。

Heinz Spiess [4]:1987年，Spiess提出极大似然模型，通过计算符合道路容量的样本矩阵的均值来进行OD矩阵估计。

Shin-MiaoChen [5]:1994年，Chen等人利用神经网络学习判断车辆在给定道路不同位置的离开数量，进而估计OD矩阵。

Hai Yang [6]:1995年，针对拥堵路段，Yang融合网络均衡模型和广义最小二乘法模型，提出双层规划模型进行OD估计