交通智能化在缓解交通压力,提高交通便捷上的作用不断加强,使其成为智能交通领域的热点课题。目前,在地理信息系统（GIS）、全球定位系统（GPS）、大数据技术及计算机技术等高新技术不断融合的前提下,智能交通系统能够进行更加可靠有效地车辆路径规划,进而减少交通堵塞的发生概率或者缓解道路堵塞程度,减少交通事故的发生,为实现智慧城市作出贡献。车辆路径规划作为智能交通系统中的重要研究方向,多年来一直受国内外学界关注并且已获得了许多研究成果。基于预测信息的车辆路径规划,能够为用户提供可靠的交通行驶建议。其研究内容主要包括交通信息的预测、路网模型构建及匹配和路径规划算法等。本文以高德地图的实时交通信息为基础,构建交通信息预测模型,之后基于该模型设计路径规划算法。主要工作如下:1.获取交通大数据及数据预处理。利用网络爬虫和高德地图提供的交互接口,获取长沙地区部分道路的23个工作日内特定时间段的交通信息。获取数据后,分析数据特征,主要包括交通信息的时空特征。根据数据特征进行数据处理,将非目标区域的节点剔除,对于在同一路段内道路信息随时间变化相同的节点将其以带有权值的边表示使数据更紧凑,并将各个工作日的交通数据转换成相应的矩阵和数组。2.基于LeNet、双层RNN和含有复合激活函数的GRU及LSTM模型构建并训练交通预测模型,比较以短期交通信息和单独时刻交通信息作为预测条件时各种模型的短期预测精度。在训练CNN前,针对不同的预测任务设置数据的特征和标签;对于RNN、GRU和LSTM三种时序模型,通过相邻采样从数组中获取小批量数据进行训练;分别以短期交通数据和单独时刻交通数据作为预测输入,分析各个模型的预测结果;在以单独时刻的交通信息作为预测输入进行预测实验时,通过正态分布对数据进行增幅,扩大预测输入的维度。3.对三种全局路径规划算法进行性能比较,并提出基于蚁群算法的最优能耗路径规划方法。根据路网模型理论构建路径规划所需的拓扑网络;在不同道路网络规模中进行最短路径规划时,比较Dijkstra算法、A*算法和蚁群算法三种全局路径规划的算法性能;基于蚁群算法和栅格法,结合车辆行驶时的运动学原理提出最优能耗路径规划方法。4.提出基于交通预测的路径规划方法。根据车辆行驶理论、运动学理论和能量理论,结合预测数据的特点,推导在变化的道路状态中的路径权值的计算方法,包括行驶时间权值和车辆能耗权值;根据所得权值计算方法并结合Dijkstra算法设计基于动态环境下的路径规划算法;提出基于逆序RNN模型,对CNN模型的预测输入进行增幅;以10组实际交通数据为实验样本,通过不同方式获得短期交通信息,并结合改进的Dijkstra算法进行路径规划,将以实际信息为基础进行的路径规划的结果作为参照组分析各个实验组所得结果的优劣。5.所得交通数据集中,同一路段的同向道路上的数据节点的状态始终是相同的;在以短期交通信息作为预测输入时,基于CNN的模型预测效果最好,而在以单独时刻交通信息作为预测输入时,基于RNN的模型的预测效果最好;随着道路网络规模的增大,Dijkstra算法、A*算法和蚁群算法的算法效率下降,其中A*算法的效率最高;仿真实验表明,联合RNN预测模型的改进Dijkstra算法的路径规划结果与基于实际信息所得路径规划结果误差最小,重合率最高。