本论文研究在网联自动驾驶环境（CAV）下，当路线引导信息不可靠或存在误导时，交通网络的逐日动态建模问题。现有模型未能同时考虑交通流适应和用户对信息源信任的演化。作者提出了一个耦合的逐日交通分配与信任演化框架：日内拥堵由Lighthill-Whitham-Richards网络加载模型描述；逐日路径选择遵循有限理性对数学习，其中对外部引导的依赖程度由信任水平调节。信任被建模为基于Beta证据模型的聚合类级行为依赖状态，并随重复的引导误差更新。理论分析给出了稳态均衡、保守稳定性判据、用于群体脆弱性的加权合规指数，以及解释攻击后信任滞后的非对称恢复律。在Sioux Falls（明尼苏达）和Anaheim（加利福尼亚）的数值实验表明，内生信任机制产生阈值依赖的韧性：低于信任激活阈值时，攻击行为隐蔽，动态信任几乎不起作用；高于阈值时，信任侵蚀使固定信任攻击的影响降低约91%（Sioux Falls）和85%（Anaheim）。此外，CAV渗透率提高会加剧固定信任攻击的脆弱性，但动态衰减能力保持；交通性能可在信任恢复前恢复，产生长达77天的隐蔽脆弱窗口。该工作为CAV交通网络的韧性分析提供了信任感知的建模基础。