1.一种基于多源异构数据的动态车流OD估计方法，其特征在于：将视频号牌识别数据和车辆GPS数据进行整合，将路网断面流量拆分为可观测OD和不可观测OD，同时基于卡尔曼滤波对不可观测OD进行估计，进而与可观测OD整合得到动态车流OD信息，包括以下步骤，S1、基于用地性质、出行热点、视频号牌识别设备位置及路网拓扑结构将路网划分为若干个路网级的交通小区；

S2、基于视频号牌识别数据和车辆GPS数据提取出各交通小区的车辆轨迹信息；

S3、对缺失的轨迹数据进行补充和重构，根据车辆的完整行驶轨迹以及实际交通流量实现对路网断面流量观测值的拆分为可观测OD和不可观测OD；

S4、基于动态交通分配理论建立OD流量与断面流量之间的动态映射关系，建立OD分配矩阵；

S5、基于卡尔曼滤波对不可观测OD进行估计，进一步与可观测OD整合，对路网的动态需求进行求解。

2.如权利要求1所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S3具体为，S31、基于最短路算法对由视频车牌识别数据获得的车流OD缺失部分进行补全，同时基于GPS定位数据提取出车辆完整的行驶轨迹；

S32、通过车辆完整的行驶轨迹信息，获得其在路网上的传播情况，即其经过路网上检测断面的实际时间，从而获得相应断面处的断面流量 和 其中 表示t时段内，第i个进口道的由可观测部分构成的断面流量，i∈Lc，Lc表示路网中可观测进口道集合； 表示t时段内，第i个路段由可观测OD需求构成的断面流量，i∈L，L表示路网中全部可观测路段集合；

S33、基于实际的断面交通流量对流量的观测值进行拆分，即将实际断面交通流量减去可观测的断面流量数值用于估计OD需求不可观测部分的断面流量 和 其中 表示t时段内，第i个路段由不可观测OD需求构成的断面流量，i∈L； 表示t时段内，第i个进口道的由不可观测部分构成的断面流量，i∈Lc，Lc表示路网中可观测进口道集合。

3.如权利要求1所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S4具体为，S41、基于Logit模型建立路径选择模型，将行程时间作为效益函数，即OD出行中选择各路径的比例如下：其中， 为在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，其中o，d∈Q，Q为交通小区集合；且o≠d，s∈R(o，d)，t；ts表示有效路径集合R(o，d)，t中，车辆行驶的行程时间；ti为有效路径集合R(o，d)，t中，车辆在第i条路径上的行程时间；为有效路径集的平均行程时间；R(o，d)，t表示在t时段内由交通小区o出发且目的地为交通小区d的出行路径集合，其中o，d∈Q且o≠d；

S42、针对车流在具体路径上的传播过程得到路径流量与交叉口进口道断面流量之间的动态映射关系 数值；

S43、得到某一具体路段或交叉口进口道处的断面流量观测值与待估计的OD需求之间的映射关系，从而建立OD分配矩阵，其中OD需求之间的映射关系为：式中， 为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达路段i的比例； 为在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达进口道i的比例； 表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到达路段b的需求量占路径s流量的比例； 表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到交叉口进口道c的需求量占路径s流量的比例； 表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，其中o，d∈Q且o≠d，b∈s，s∈R(o，d)，t，h＝t，t+1，…t+δ-1，δ为完成出行的时段数。

4.如权利要求3所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S41中，对于OD点对之间的有效路径集R(o，d)，t从已获得的部分车辆路径信息确定，具体采用k最短路算法计算，或在最短路行程时间TTmin的基础上，适当乘以一个权重系数ρ，ρ≥1，从而得到OD点对之间的行程时间范围[TTmin，ρTTmin]，再得到有效路径集，其中权责系数ρ根据所提取的可观测OD需求的实际行程时间和最短算法得到的路径行程时间确定。

5.如权利要求3所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S42具体为，将具体某一时段内选择某一路径的OD需求 其中 为在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s的比例，x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，o，d∈Q，Q为交通小区集合；

抽象成若干车辆构成的车辆元胞进行处理，则在t时段内由交通小区o出发到达交通小区d，选择路径s并在h时段内到达路段c的需求量占路径s流量的比例如下：若(t-1)Δ≤γl＜γf＜tΔ，则

若γl＜(t-1)Δ≤γf＜tΔ，则

若(t-1)Δ≤γl＜tΔ≤γf＜(t+1)Δ，则

式中， 表示在t时段内由交通小区o出发且目的地为交通小区d，其选择路径s并在h时段内到交叉口进口道c的需求量占路径s流量的比例，其中o，d∈Q且o≠d，b∈s，s∈R(o，d)，t，h＝t，t+1，…t+δ-1，δ为完成出行的时段数；γf表示车辆元胞中第一辆车和最后一辆车到达某一路段或某一交叉口进口道的时刻；γl表示车辆元胞到达相应路段直至其完全消失的动态过程，且γf＞γl；Δ为每个时段的固定时长。

6.如权利要求1-5任一项所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S5具体为，S51、基于步骤S3拆分得到可观测的OD需求和不可观测的OD需求，在带约束的卡尔曼滤波构建动态OD估计模型基础下对不可观测的OD需求进行估计，建立出状态转移方程、状态线性约束方程和观测方程；

S52、将可观测OD需求和估计出的不可观测OD需求结合，构建出基于多源数据的动态OD估计模型，从而求解出路网动态OD估计值，具体公式如下：式中，x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，其中o，d∈Q且o≠d； 表示由交通小区o在t时段内出发，其目的地为交通小区d的观测需求量，其中o，d∈Q且o≠d； 表示由交通小区o在t时段内出发，其目的地为交通小区d的待估计需求量，其中o，d∈Q且o≠d。

7.如权利要求1-5任一项所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S51中，建立出状态转移方程为，式中， 为t时段内路网不可观测OD需求的列向量，为m×1维向量组；m为待估计的OD点对的个数；Wt为m×1维向量组，即为状态转移偏差ωt的向量化；

S512、基于视频车牌识别设备在路网上的分布对部分交通小区的流入路网总需求进行观测，并根据可观测小区的需求产生量构建状态线性约束条件方程；

S513、建立待估计OD需求与实际路网中采集到的断面流量之间映射关系的观测方程。

8.如权利要求7所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S512中，建立状态变量的线性约束方程为，其中， 为s×1维列向量，表示 的向量化数值，其中 s为可进行

需求全样本观测的交通小区的个数；Dt为s×m维矩阵，即为交通小区的OD分配矩阵， 为t时段内路网不可观测OD需求的列向量，为m×1维向量组。

9.如权利要求7所述的基于多源异构数据的动态车流OD估计方法，其特征在于：步骤S513中，建立观测方程为，其中，Yt为(n+θ)×1维列向量，是OD需求向量数 和 的简化合并，即 Ah为(n+θ)×m维矩阵，即到达比例向量数Ph和 的合并， Ut为(n+θ)×1维列向量，即检测误差μt和 的合并，

其中 和 分别为n×1维向量组，是li，t和 的向量化数值，即为：

其中，Ph为n×m维矩阵，是 的向量化，m为待估计的OD点对数量； 为θ×m矩阵，是 的向量化；μt和 分别为θ×1维向量组，是 和 的向量化， 为x(o，d)，h的向量化；针对li，t和 具体为：式中：li，t表示t时段内，第i个路段的观测值，i∈L； 表示t时段内，第i个路段由不可观测OD需求构成的断面流量，i∈L； 表示t时段内，第i个路段由可观测OD需求构成的断面流量，i∈L；L表示路网中全部可观测路段集合； 表示t时段内，第i个进口道的观测值，i∈Lc； 表示t时段内，第i个进口道的由不可观测部分构成的断面流量，i∈Lc； 表示t时段内，第i个进口道的由可观测部分构成的断面流量，i∈Lc；Lc表示路网中可观测进口道集合； 和 均为检测误差；同时，式中， 表示在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达路段i的比例； 表示在t时段内由交通小区o出发且目的地为交通小区d，在h时段内到达进口道i的比例；x(o，d)，t表示由交通小区o在t时段内出发，其目的地为交通小区d的实际需求量，其中o，d∈Q且o≠d， 和 分别为路段流量和交叉口进口道流量的观测误差。