目前,智能交通诱导系统根据路径生成方式的不同,可以划分为中心式诱导和分布式诱导。前者在通信网络带宽、造价以及计算机的计算效率和存储容量的制约下,已经不能满足智能诱导系统对交通诱导信息的实时性需求。而后者在小范围路网内可以实现车车、车路之间的信息交互,能够满足动态诱导信息发布的实时性需求。因此本文考虑把两种不同的诱导方式的优点结合起来,形成新的协同式诱导方法。在车辆运行于自组织网络环境的假设条件下,此方法采用中心式诱导从路网全局范围内进行路径诱导,而分布式诱导系统实现交通网络子区域范围内的车辆诱导,两者结合可以有效的克服中心式诱导系统的计算效率低下的问题和分布式诱导系统中存在的交通拥挤漂移现象。首先,此协同诱导方法假设行驶在交通诱导子区内的车辆能实现交通状态信息的实时共享,且分布式信息发布模式不再依赖交通控制中心,即车辆能在某个子区域范围内能够实现自组织网络。在此环境下,对路网中的路段的交通关联度和交通相似性进行了定量分析,建立了基于AP聚类的交通诱导子区划分方法,并对子区边界进行动态调整。在对路网进行有效划分的基础上,建立了基于诱导子区的动态交通分配模型。通过建立基于Shapley值的动态交通子区之间的动态博弈分配模型解决在路网分区的情况下,各自为政的分布式诱导子区之间的流量分配不均的问题。同时各个子区内部的流量分配符合基于用户最优的流量分配模型。此模型的构建可以为下文的协同式路径搜索算法提供所需要的路网状态参数。在交通状态参数的支撑下,提出了基于路网分层的协同式路径搜索算法。首先,对道路网进行了层次划分,并对不同形式的路径进行了分析;然后,通过对子区域低层路网中路径搜索进行了动态搜索限定,提出了基于改进A*的跨层节点确定方法,并建立了基于改进*A的跨层路径搜索算法;最后,构建了协同式路径搜索算法模型,此模型运用中心式诱导完成主干道路网层交通流的诱导,而分布式诱导完成子区域小范围路网内的车辆的路径搜索。最终,针对以上提出的交通分配模型和协同搜索算法进行了仿真验证。结果显示协同式诱导方法可以克服中心式诱导的实时性差和分布式诱导的拥挤转移问题。