智能交通系统是目前公认的能全面有效地解决交通运输领域，特别是交通拥挤、交通阻塞、交通事故和交通污染等问题的最佳途径。交通流诱导系统是智能交通系统的核心研究领域和避免城市交通网络局部拥挤的最佳手段，而实时动态路径选择是交通流诱导系统的核心和理论基础。国际上许多研究者从多方面对以上理论领域进行了大量的研究，并取得了许多重要的研究成果。但所建模型普遍存在着计算量大、优化时间长、不适合大规模交通网络运算等问题。本论文紧密结合我国智能交通诱导系统研究与应用的需要，利用新兴起的计算智能理论，对预测型动态路径选择算法进行了较为细致的研究。 首先，简单介绍了智能交通系统产生的背景、研究内容及动态路径诱导系统的研究现状，指出动态路径诱导系统的特点是把人、车、路综合起来考虑，通过诱导驾驶员的出行行为来改善路面交通系统，减少车辆在道路上的逗留时间，降低交通阻塞发生的概率，并最终实现交通流在路网中各个路段上的合理分配。 其次，对计算智能理论的发展和研究现状作了简单介绍，指出计算智能有着传统的人工智能所无法比拟的优越性。它的最大特点就是不需要建立问题本身的精确模型，非常适合于解决那些因为难以建立有效的形式化模型而用传统的人工智能技术难以有效解决、甚至无法解决的问题，这也正好与实时交通流问题的研究相吻合。同时对遗传算法和免疫算法的基本理论和重要概念进行了较为详细的阐述，为后面的应用研究提供了理论基础。 再次，结合实时交通流预测的特点，提出了一种基于支持向量机的实时交通流预测算法，并利用改进的免疫遗传算法实现动态路径诱导。基于支持向量机的实时交通流预测算法具有结构简单、理论完各、适应性强、全局优化、训练时间短、泛化性能好等优点。可以根据有限的样本信息在模型的复杂度和学习能力之间寻求最佳折中，从而得到现有信息下的最优解而不仅仅是样本趋于无穷大时的最优解。仿真结果表明，利用分解算法实现基于支持向量机的交通流预测比其它两种算法精度要高，且具有较强的逼近和泛化能力，对交通流的实时预测有着良好的应用前景。 最后，对全文进行总结，并对下一步的研究工作进行展望。