交通拥堵作为城市化迅速发展的负增益产品，严重影响了市民的正常出行；同时，交通管理水平的不足也使得道路资源利用率低下，路网负载不均衡加剧城市拥堵。为解决这一弊端，国内外许多行业学者纷纷投入研究，其中路径诱导一直是交通行业解决交通拥堵的重要方向，科学合理的确定诱导时空范围和诱导作用点对于提升诱导效率具有重要意义。基于此，本文旨在通过道路交通预控诱导的方法解决上述交通拥堵问题，提出一种基于交通拥堵预测基础上对诱导范围内节点进行分级诱导的方法，并进行了实例验证。
　　首先，本文分析了影响交通状态主要因素，包括交通拥堵判断要素和城市交通拥堵特性，考虑到单参数拥堵识别的弊端，选取有序决策模型对拥堵标签进行多特征提取，接着利用基于遗传算法优化的支持向量机分类模型（GA-SVM）对拥堵特征有序集合进行交叉组合实验，最终确定了三个拥堵特征指标：流量、速度和平均行程时间与自由行程时间比值。
　　然后，利用机器学习中循环神经网络构建交通拥堵预测模型，考虑到预测数据存在长时间序列的特征，选取长短时记忆神经网络（LSTM）为交通参数预测模型，通过数据预处理以及利用时空相关性方法确定模型输入数据框架中样本数和特征数，提高了预测精度。
　　其次，在交通状态预测模型基础上，通过预测未来一段时间内的路网交通状态判断是否满足诱导条件，对于最先满足诱导条件的拥堵路段，在利用时间与空间边界约束的基础之上确定其诱导时空范围，构建多级路径诱导模型；考虑到诱导范围内各预控节点的功能和通行能力的不同，通过对预控节点进行优先级筛选确定诱导起点集合，利用预测信息对下A*最短路径算法进行改进，实现多节点多路径诱导；在考虑存在路段被多诱导路径共享的情况，采用计算路径尺度的方法对Logit选择模型中相对效用进行了改进，实现了对诱导路径进行合理筛选，提高了诱导路径的可靠性；最后通过容量限制下的分批流量动态加载方法实现路网负载均衡
　　最后，以重庆市区域路网为例，利用Matlab和VISSIM建立仿真模型，分别选取SNSP、SNMP和T-RPIM策略进行路径搜索对比试验，以及选取DUA和SUA策略进行预测信息影响对比试验；结果表明，本文方法能够有效疏解城市交通拥堵，且利用预测信息可有效提高诱导效率。