城市交通拥堵的重要原因之一是有限的道路供给资源与高涨的交通需求量不匹配,日益增长的私家车保有量则使这一问题日趋严重。尽管我国城市道路面积逐年上升,但城市交通拥堵却并未得到解决,道路供给资源的增加仍然在不断诱发新的交通需求。为解决以上问题,现阶段我国城市交通管理的思路正从单方面增加供给向需求调控转变,而了解城市交通网络供给水平则是需求调控的重要前提。但是,现有道路通行能力定义及估计方法,缺乏对道路供给条件动态性的考量,难以适应实时交通管理的要求。本文将关注城市道路通行能力的估计问题,提出道路动态通行能力概念,并结合新兴的机器学习技术,提出一套数据驱动的估计框架。论文的主要研究内容可以分为如下几个方面:首先,本文对现有道路通行能力定义进行整理,梳理了基于最大流量、交通流崩溃和饱和流率等多种道路通行能力定义,同时也分析了现有宏观交通流模型与通行能力的关联。基于对国内外规范和研究中道路通行能力定义未考虑道路供给条件动态变化的不足,本文提出了道路动态通行能力的概念。针对现有通行能力估计方法中修正系数合理性与泛化能力的问题,设计了一套数据驱动的道路通行能力估计方法,将通行能力估计问题分解为交通流量估计与通行能力估计两步。其次,本文对交通流量估计问题进行定义,并从两方面对交通流量的影响因素进行分析,既包括速度、密度、车型组成比例等交通流需求侧因素,也包括道路宽度、信号配时、天气等道路供给条件因素。同时,对于经典交通流三参数定义进行整理,分析了不同定义与交通流均衡状态的联系及等价性,并对交通流均衡状态这一基本假设的合理性进行讨论。随后,基于对交通流量估计问题的分析,提出数据驱动的宏观交通流估计模型,放松了交通流基本图模型的交通流均衡状态假设,能够同时考虑多维交通流需求侧变量与道路供给侧变量,拓展了交通流分析的维度,并结合高斯过程回归模型,以提升交通流量估计的精度。接着,本文也对高斯过程回归模型的基本概念进行介绍,对其中的核函数与超参数优化问题做深入探究,针对高斯过程回归模型超参数优化过程中出现的模型过拟合现象,本文设计了定制化的截断牛顿法,以提升超参数优化的稳健性,降低优化过程陷入局部最优、引起过拟合的风险。本文也对考虑输入数据噪声的高斯过程回归模型进行了讨论,通过改造核函数实现对噪声的处理。最后,基于仿真实验,对本文所提出的模型进行验证。实验中,对不同输入特征组合及不同噪声参数下的模型性能做了比较,并与交通流基本图模型进行对比,结果显示,本文提出的模型能有效提升交通流量的估计精度,并顺利得到不同道路供给条件下的道路通行能力。本文的研究成果能够有效宏观交通流分析精度,可以有效支撑城市交通网络承载能力分析,辅助交通管理部门开展实时交通管理与控制,对掌握城市道路供给水平、缓解城市交通拥堵等问题具有重要意义。