交通流诱导是目前公认的提高交通效率和机动性的最佳途径,其目的是在交通网络中为出行者提供最佳旅行途径。交通流量预测和交通状态判别问题是交通诱导系统中的两个关键问题,提供实时准确的交通流量信息和交通状态信息能为出行者做出合理的路径选择提供参考。因此,需要对路网中的交通流量信息和交通状态信息做出准确预测。本文重点讨论这两个问题。首先,对于单路段交通流的预测,针对以往的基于经验风险最小化的神经网络等学习方法存在的网络结构难以确定、过学习、欠学习以及局部最小等问题,本文研究了基于统计学习理论的支持向量机方法在交通流量预测中的应用。同时,将支持向量机方法与数据挖掘技术相融合,通过引入天气状况以及工作日模式因素来提高流量预测的速度和精度。然后,对于交通状态判别问题,考虑到传统的交通状态划分方法是根据国家交通部门给定的交通状态指标来进行划分。这种方法对于不同道路的适应性不是很强,在实际应用中很难满足准确性要求。因此,本文采用模糊聚类的方法来划分交通状态,对不同路段做出不同的状态划分。在此基础上,采用多类支持向量机方法对未来时刻的交通状况进行分类。多类支持向量机是传统两类支持向量机的改进,能够对具有多种划分指标的问题进行很好的划分,适合我们的交通状态判别。最后,综合交通流量预测和交通状态判别方法,本文提出了实时的交通状态判别系统模型。系统根据实时采集的交通参数信息准确的判断未来时刻的交通状态信息,并及时地将交通状态信息进行发布,很好地实现了交通诱导,提高了交通系统的服务质量。