随着城市化进程的不断深入,城市交通拥堵问题所带来的影响日益明显,交通流预测已成为城市智能交通系统发展的关键。利用大数据和人工智能算法实现对城市路网交通流的预测,可以为出行者推荐最优出行路线、辅助交管部门提前进行交通管制,对智慧城市建设具有重要意义。本文主要研究城市交通流预测和最优路径规划问题,以时空数据为基础,利用深度学习算法实现时间特征与空间特征叠加的交通流预测,并将预测结果用于城市动态路径规划,得到基于预测的最优行驶路径。本文主要工作如下:1)提出一种基于时空融合卷积网络的城市交通流预测模型。该模型根据城市路网构造含有局部道路关系的空间邻居子图和全局道路关系的相似邻居子图,经图注意网络分别对其邻接矩阵进行动态加权得到两种动态道路权重矩阵,然后利用图卷积神经网络提取这两种动态矩阵的空间特征。为提取交通流数据的时间特征,模型利用加入注意力机制的时间卷积网络提取数据中的多重潜在时间信息,得到交通流数据的局部和远程时间依赖关系。最后利用时空融合层将时间特征与空间特征进行串联聚合得到高维时空特征,并通过线性层实现多步预测。实验结果表明,与当前主流预测模型相比,基于时空融合卷积网络的城市交通流预测模型具有更准确的预测性能。2)为提高时空融合卷积网络的性能,提出一种基于粒子群的时空融合卷积网络参数优化算法。该算法通过改变网络参数取值优化时空融合卷积网络的性能,找到使网络性能达到最优的参数值,提高其预测准确度。实验结果表明,优化后的时空融合卷积网络比优化前的预测误差更小,且训练时收敛速度更快。3)提出一种基于路网状态信息的动态路径规划算法。该算法将基于时空融合卷积网络的城市交通流预测模型应用于城市动态路径规划中,以最短出行时间为目标,以预测得到的道路综合行驶时间为其时空拥挤系数,使用以行驶角度为限定的优化A*算法实现车辆行驶过程中的动态路径规划,以得到全局最优行驶路径。该算法根据当前车辆所处的位置预测进入下一路口前的城市路网状态信息,使用通过历史数据分析所得的动态路网状态信息的网络模型判断此时是否需要更新道路时空拥挤系数矩阵,如果更新则重新规划路线。实验结果表明,与当前主流路径规划算法相比,基于路网状态信息的动态路径规划算法能得到行驶时间更短的路径,且算法运行效率更高。