在大数据时代,交通出行数据呈现出了指数级增长模式。出行数据的采集不再局限于传统的固定式交通流量采集器,各类移动终端、智能手机以及车载流媒体等移动智能设备可以产生实时海量数据。随着实时高频轨迹数据规模的不断增加,也为动态交通出行的预测,提供了大量的数据资源。本文基于GSM(Global System for Mobile Communications)交通出行数据对动态交通诱导技术展开研究,利用大规模出行轨迹数据,改进对现有数据处理算法,对交通状况进行实时估计和动态预测,从而对车辆的出行,提供准确诱导。本文的主要研究内容如下:(1)交叉路口车辆引导城市交叉路口延误是影响交通效率的一个重要因素,本文在交叉路口车辆引导中主要引入路口排队长度预估和车速引导两个因子。移动智能设备普及前,交叉路口车流量估算只能通过固定交通流量器检测,本文通过收集车辆GSM数据,构建城市交叉路口实时排队长度估算模型,引入“消散延误”概念,通过路口排队长度,估算交叉路口车辆“消散延误”值,从而预估交叉路口上,每一个信号的周期变化造成的排队长度。车速引导是指利用实时车辆GSM数据和交通信号灯配时信息,使车辆以理想状态到达交叉口。旨在兼顾驾驶员驾驶习惯和交通状况的同时,实现车辆通过交叉路口不停车的目标,从而减少车辆的停车延误时间。测试结果表明,本文中提出的算法可以较准确的预估城市交叉路口的车辆排队长度,同时可以有效提高交叉路口绿灯利用率。(2)短时交通流预测短时交通流预测是目前城市交通诱导中常用的技术之一,对实时性和准确性具有较高要求。指数平滑法是海量数据动态诱导中常用的算法之一,计算效率较高。但传统的指数平滑法计算过程中所需参数较为固定,且预测过程僵化。针对其中存在的不足,本文提出了变时域动态算法。该算法通过优化指数平滑法中的坐标轮换机制,实现了平滑系数和数据搜索范围的自动更新,使得能够在预测过程中追踪数据的变化趋势,提高的预测的精确度。实验数据表明,本文算法的预测精确度和算法可靠性优于传统的指数平滑法,且发现平滑系数和数据搜索范围的关系呈显著负相关。通过对收集的海量实时车辆轨迹GSM数据进行了较为全面的研究,解决了城市交通出行动态诱导问题,对于目前城市交叉路口普遍存在的拥堵问题,具有一定的参考和借鉴意义。