摘要：车辆路径规划技术是解决城市交通拥堵的有效手段之一。传统的路径规划算法,通常只给出最优路径,难以避免车辆所经过路段偶然瘫痪导致没有可选路径的问题。引入多路径规划技术,可保证车辆在任何情况下都有可选路径,提高路径规划稳定性。但是目前的多路径规划技术实时性不高,且算法效率较低,设计高效实时的多路径规划算法颇具挑战性。本文以提高多路径规划的实时性和稳定性为目标,对预测机制和多路径规划这两个关键技术进行研究。首先,为了给路径规划提供实时可靠的数据,本文拟采用模糊神经网络预测机制,精确预测下一时刻交通路网状况。由道路传感器收集平均车速数据,建立模糊神经网络模型预测未来车速,从而计算每条路段的未来平均通过时间,为路径规划提供未来的道路状况信息。模糊神经网络能真实反应交通信息的非线性特性,且预测精度很高。此外,本文拟引用Taguchi方法,在一定预测精度要求下,使用尽可能少的传感器数据,提高预测效率。其次,在预测数据基础上,为了提高多路径规划的算法效率和稳定性,提出了基于Q学习的多路径规划算法。根据Q学习思想对复杂城市路网进行建模。利用了Q值能反映当前路口距离目的地的长期反馈特性,推导出最优路径。然后确定合适的参考值,选取满足条件的次优Q值,实现多候选路径的选取。此外引入多路径集的稳定性约束,保证任何情况下至少存在一条候选路径可供车辆选择；引入协同机制,均衡未来路网负载。最后,利用MATLAB仿真工具分析了模糊神经网络预测机制的精度,基于增强学习的多候选路径算法的效率和稳定性,验证了所提的路径规划方案。图24幅,表8个,参考文献60篇。