随着交通大数据到来,交通数据的采集和分析更加容易,各种移动终端产生的实时位置、交通流量及行驶速度数据等已成为交通大数据的重要来源。为了有效利用交通数据,以提供准确、及时的路况信息反馈和预测为路径规划服务,开展了基于实时位置服务的动态路径规划算法研究。本文的研究方法与成果如下:(1)基于卷积神经网络的短时交通流预测模型针对短时交通流数据具有高度非线性、时变、不确定性和时空相关性等特点,提出了一种基于时空特征的卷积神经网络(Convolutional Neural Networks,CNN)预测模型。该模型由两个卷积池化层和三个全连接层组成,以便自动提取交通流的时空特征,并将其转换为二维特征矩阵,CNN学习这些特征以优化预测模型。通过将预测结果与实际数据比较,评估该方法的有效性,还与其他模型进行评估比较。结果表明,CNN在精度上优于长短期记忆网络和门控循环单元。(2)考虑短时交通流预测的动态路径规划算法为了动态适应交通状况以避开交通拥堵、减少旅行时间,提出了一种利用短时交通流预测信息的动态路径规划算法。该算法是在短时交通流数据和实时交通信息的预测模型上,将预测的行驶速度与城市路网权重相结合,并利用改进的动态蚁群算法(dynamic ant colony optimization,D-ACO)求解最优路径。为了验证D-ACO算法的可靠性和实用性,在复杂多变的城市路网环境下进行了大规模应急疏散和城市交通拥堵规避两个实例对算法进行检验。实验表明,该算法不仅能在日常出行中找到旅行时间最短的路径,而且能应急疏散中能保持全局拥堵最小化、道路利用率最大化的前提下,实现了疏散时间最短的目标。本文的创新之处在于:1)提出了CNN预测模型用以预测交通流量和速度参数,并使用均方误差(MSE)进行评估。2)使用GIS软件中的流量消息通道将行驶速度和路网中的路段绑定,实现了CNN预测结果对道路权重的及时更新。3)提出了基于CNN预测的D-ACO算法用以求解动态路网环境下的最优路径。结果表明,本文开展的基于实时位置服务的动态路径规划算法研究,在复杂路网环境下能够更准确的反映给定位置的实时交通状况,减少旅行时间、最大程度的避开交通拥堵路段。