随着汽车保有量的不断增长,大型城市拥堵问题日益明显。一方面是由于城市交通出行对象对交通需求的持续增加及不合理的道路设计导致,另一方面出行对象的主观选路偏好同样导致道路资源的负载失衡。汽车的网络化、智能化发展,不仅为城市交通出行数据获取提供了丰富的来源,而且为解决城市交通问题提供了新的方向。解决局部拥堵不仅需要从微观角度对城市出行对象进行出行诱导,同时需要从高层次、宏观的角度来评估路网状态,掌握城市交通系统的运行状态、规律,分析城市拥堵性质和原因。本文利用交通图模型和统计学分析方法,从宏观视角对交通状态进行分析、描述和评估;通过对交通态势进行时空特征分析,利用注意力机制建模动态时空相关性,实现交通态势进行预测,发现城市交通态势变化规律;设计基于区域势差的自适应诱导机制,判断区域诱导力度,基于强化学习技术,融合交通态势预测,进行城市交通诱导,寻找宏观交通状态与微观车辆出行需求之间的平衡,从而实现基于全局最优的交通态势均衡。本文首先总结了研究背景和相关技术,接着从各个角度对交通态势进行分析评估,然后建立了基于注意力机制的交通态势预测模型,提出了基于注意力机制的交通态势预测算法,最后融合交通态势预测建立了交通态势均衡模型,提出了融合交通态势感知的基于深度强化学习的交通态势均衡算法。论文进行了基于交通学原理的仿真试验,试验结果表明本文所提出的算法在稳定性、执行效率和结果指标上均有提升。