随着城市汽车保有量的不断增长,车辆尾气污染和道路交通拥堵问题愈发严重。交通诱导系统可以有效地减少车辆污染和缓解交通拥堵。准确预测城市道路交通流量对交通诱导起到非常关键的作用,合理地路径优化可以为交通诱导提供方案,从而达到解决交通问题的目的。为了提高交通流量预测的准确率,本文提出了在交通流数据聚类分析之后,再采用神经网络进行预测的方法。本文的主要研究内容和成果如下:(1)分析了交通流量预测技术和路径选择技术的原理、研究现状与应用。(2)针对交通流数据的特性和影响因素,提出了一种基于K-Means算法和遗传算法(GA)优化的小波神经网络(WNN)的交通流量预测方法。鉴于K-Means算法能够快速高效地处理大规模数值型数据的特点,采用该算法以一天的交通流量、天气和天的特征(普通工作日、普通假期或者特长假期)为指标,将历史数据分类成若干个类。(3)针对分类完成的每一个类,采用GA-WNN方法建立相应的预测模型,对实际数据进行预测,仿真结果表明:该方法不仅对工作日的交通流量预测精度好于只采用GA-WNN,而且对普通假期、特长假期或者不同天气状况的交通流量预测精度也较好。(4)分析了交通路网的路径选择,基于流量预测设计了路径选择系统,该系统将Dijkstra最短路径算法应用于交通中路径选择为用户提供出行路径方案,并进行了仿真实验,结果表明该系统符合设计需求。