Dans cette thèse, nous nous concentrons sur la modélisation du flux de trafic au moyen des lois de conservation hyperboliques et d'approches statistiques. Les résultats présentés appartiennent à deux domaines différents de la recherche mathématique: l'étude analytique et numérique présentée dans la première partie constitue la base théorique pour la deuxième partie, qui est consacrée à la calibration, la reconstruction et la prédiction de modèles de trafic basées sur des données.Tout d'abord, nous étudions le problème aux limites pour des modèles généralisés du second ordre, qui consistent en des systèmes de lois de conservation non strictement hyperboliques de dimension 2x2 sur un intervalle avec des frontières caractéristiques, modélisant la dynamique du trafic, y compris les zones de vide. Après avoir donné une caractérisation détaillée des conditions aux limites en termes de solveur de Riemann ou d'entropie, nous prouvons par la méthode de suivi de fronts l'existence de solutions faibles entropiques pour des données de variation totale bornée dans les coordonnées des invariants de Riemann.Pour calculer numériquement les solutions, nous étendons un schéma de volume fini de type "upwind'' aux modèles de flux de trafic du second ordre. Le schéma satisfait un principe du maximum sur la densité. Nous effectuons des tests numériques illustrant le comportement près du vide, qui coïncide dans la composante de densité avec la solution de Riemann considérée.Ensuite, nous présentons différentes approches de calibration pour l'identification des paramètres et la reconstruction de la vitesse du trafic, en comparant les performances des modèles du premier ordre, consistant en la seule équation de conservation de la masse, et des modèles du second ordre, comprenant une deuxième équation tenant compte de l'évolution de la vitesse. Toutes les approches utilisent des mesures agrégées des véhicules circulant sur une autoroute, fournies par des détecteurs à boucle électromagnétique placés en des lieux fixes. De plus, elles incluent un terme de biais, modélisé par un processus gaussien, afin de pallier les limites des modèles de flux de trafic.Une fois les paramètres de calibration obtenus, notre analyse distingue entre l'estimation et la prédiction des temps de trajet, où le premier cas étudie des scénarios de trafic déjà réalisés. Pour le second, nous prenons en compte les équations aux dérivées partielles du système hyperbolique dans le modèle du processus gaussien afin de prédire les conditions de trafic futures au niveau des boucles aux bords de la section considérée, ainsi qu'à différents temps fixés.Ceux-ci servent de données aux bords pour simuler l'évolution du trafic à une échelle plus fine, ce qui nous permet de prédire les temps de trajet. Ainsi, notre approche combine des connaissances physiques avec des statistiques, appuyant la thèse que la physique fournit des informations utiles pour améliorer les prédictions. Enfin, nous comparons les vitesses de circulation et les temps de trajet reconstruits entre les données réelles et simulées. En absence de données de trajectoire et donnée boucle sur le même secteur d'étude, nous effectuons notre analyse non seulement sur des scénarios de trafic réels, mais aussi sur des données synthétiques générées par un simulateur microscopique. En général, nous constatons que la combinaison d'un modèle physique et d'un processus gaussien produit les résultats les plus fiables par rapport aux autres méthodes testées.