Para implementar un control de señales de progresión de alta precisión en arteriales, es esencial tener acceso a la distribución variable en el tiempo del flujo de origen-destino (OD) del arterial. Sin embargo, debido a la escasez de dispositivos de identificación automática de vehículos (AVI) y la baja penetración de vehículos conectados (CV), es difícil obtener directamente el patrón de distribución del flujo OD del arterial (es decir, el flujo de ruta). Para resolver este problema, este artículo desarrolla un método de estimación de flujo de ruta arterial semi-supervisado considerando la consistencia de la distribución del flujo de ruta al combinar los datos escasos de AVI y los datos de CV de baja permeabilidad. En primer lugar, este artículo propone un modelo de estimación de flujo de ruta arterial semi-supervisado basado en grafos de conocimiento múltiples. Utiliza redes neuronales de grafos para combinar información de observación del flujo OD de AVI con información de trayectoria de CV para inferir el flujo de ruta de pares OD de AVI no observados. Además, para asegurar que los resultados de estimación del modelo de estimación de flujo de ruta de grafos de conocimiento múltiples sean consistentes con la distribución del flujo de ruta en situaciones reales, introducimos una arquitectura de red generativa adversarial (GAN) para corregir los resultados de estimación. El modelo propuesto se prueba extensivamente basado en un arterial señalizado real. Los resultados muestran que el modelo propuesto aún puede lograr resultados de estimación confiables bajo baja penetración de vehículos conectados y con menos datos de etiquetas observadas.