路网容量是在一定服务水平和交通需求下的最大网络流,是城市道路网络区域通行能力的直接量化形式。受路网结构、交通组成、环境等诸多动静态因素影响与网络交通流数据的获取难度及数据质量,路网容量,尤其是动态路网容量,难以在现实中精确量化。宏观基本图（MFD）概念的提出为路网容量分析提供了新的手段,但由于MFD理论的路网均质性假设前提,因此面向大规模开放式路网需要研究信号控制下的同质子区划分。对于大范围的城市路网而言,车辆出行往往呈现一定的子区域性特征,即在一定区域范围内的交通出行存在较为紧密的联系,而与区域外的联系较弱。此类特征是将整个城市路网划分为同质区域,并进行独立研究的基础。针对现有研究中信号控制下同质子区划分仅从关联性角度,通过经验式规则方法完成同质子区节点间关联强度表征,未考虑通过机器学习等手段完成节点多维特征自动提取与融合,对于子区内部交叉口运行特征同质性程度考虑不足,以及面向宏观交通流不稳定运行状态下容量多值性问题,缺乏路网容量动态估计方法等问题。本研究以车辆轨迹结构化数据为基础,以图卷积神经网络结合传统社区检测算法为手段,研究综合考虑子区内部交叉口运行特征同质性程度及交叉口间关联性强度的信号控制下同质子区划分方法,并对同质子区路网动态容量估计进行研究。具体研究内容如下。本文首先针对卡口号牌识别设备获取的车辆身份与位置服务数据原始轨迹中出行行程完成状态未知的情况,通过基于高斯混合模型（GMM）的有向交叉口OD对车辆出行行程完成状态判别方法进行车辆原始轨迹单次出行段的可靠划分;随后面向时空碎片化形式的单次出行段轨迹,通过基于最短路原则结合时间差分算法轨迹结构化处理流程,获取了研究路网内车辆完整地路网层级出行链时空信息;最后利用车辆轨迹结构化数据获取关联交叉口路径流运行特征数据,针对关联交叉口路径流运行特征相似性与空间分布不均匀性进行定性分析。车辆轨迹结构化处理与关联交叉口路径流运行特性分析为城市道路信号控制下同质子区划分与路网容量研究提供了基础数据支撑。针对现有信号控制下同质子区划分研究中存在仅从交叉口间关联性角度通过进行子区划分,对子区内部交叉口运行特征同质性程度考虑不足等问题。本研究在关联交叉口路径流运行特征分析的基础上,根据城市路网拓扑模型完成交叉口多维运行特征的提取,同时通过关联交叉口间路径流运行特征确定城市路网拓扑模型中交叉口间关联强度。将交叉口交通运行特征、空间尺度特征、交叉口间关联强度及城市路网拓扑信息数据集作为模型的输入,再通过面向无向有权网络最优模块度社区划分任务的GCN-Kmeans无监督网络模型框架,进行城市道路网络同质子区划分,同时利用无向加权网络的社区检测评价指标-模块度作为模型的最优目标函数,通过信号的正向传播与误差的反向传递完成模型优化过程。通过将本方法与传统社区检测中的Louvain算法进行对比分析,结果显示对于城市道路信号控制下子区划分而言,本方法通过利用深度学习方法去学习交叉口多维特征同质性程度,并结合传统社区检测算法理论兼顾考虑交叉口间关联强度,在同质子区的整体划分效果上优于传统社区检测中的Louvain算法且具备更强的解释性与普适性。为后续基于宏观基本图理论的同质子区路网容量动态估计提供了较为合理的区域划分方案。本文通过车辆轨迹结构化数据驱动的路网MFD构建方法,对同质子区宏观交通流历史运行状态进行整体分析,根据宏观交通流运行规律,针对区域累计车辆数与区域车辆出行完成量间的定量关系,通过n次多项式函数进行建模拟合分析,并在此基础上完成路网最大承载能力估计。最后利用MFD状态变量历史数据基于高斯混合模型（GMM）进行路网宏观交通流不稳定运行状态决策边界划分,在路网最大承载能力估计结果基础上,以宏观交通流不稳定运行状态下MFD状态点与路网容量临界状态估计点之间状态转移变化率作为决策依据,通过基于卡尔曼滤波的路网容量动态估计算法完成路网容量临界状态估计点的动态更新,并基于此针对研究区域内工作日与周末路网容量动态估计进行实例验证分析。