交通拥堵已成为制约城市特别是大城市发展的主要瓶颈之一，而大力发展动态交通诱导系统(Dynamic Transportation Guidance System，DTGS)是解决这一难题的有效途径。本文以全球定位系统(Global Positioning System，GPS)和地理信息系统(Geography Information System，GIS)等先进技术为基础，重点研究了城市动态交通诱导系统中的关键模型及算法，本文主要创新点如下： (1)实时交通信息是动态交通诱导系统的基础和保障，针对固定检测技术精度高，但只能检测路段点信息完备性差；移动检测技术能够检测整个路段信息完备性好，但精度不高的情况，为提高实时交通信息检测效率，综合移动与固定检测技术的优势，提出了基于反向传播(Back Propagation，BP)神经网络的移动与固定检测融合模型。本模型以移动检测技术检测到的路段3部分行程时间、固定检测技术检测到的路段行程时间以及路段中两种检测器的分布密度作为输入，路段行程时间作为输出。并通过广州市大量实测数据验证了模型的有效性，试验结果表明模型是有效的。 (2)数据挖掘(Data Ming，DM)技术是动态交通诱导系统的关键技术之一，由于交通信息具有极强的实时性、多样性，因此决定了分布式数据挖掘(Distributed Data Ming，DDM)技术是动态交通诱导系统中的主要数据挖掘技术。考虑到分布式数据挖掘在不同服务器间的数据传输代价最小化的实现是数据挖掘技术应用于动态交通诱导系统的关键，提出了基于遗传算法的分布式数据挖掘任务分配模型算法，同时为提高遗传算法搜索效率，提出运用均匀设计方法来产生遗传算法初始种群，起到了良好的效果。针对动态交通诱导信息发布终端中的模糊地名匹配问题，提出了基于CURE空间聚类分析方法的模糊地名匹配模型及算法，并以广州市电子地图为基础，验证了模型和算法的有效性，试验结果：平均计算时间小于0.01see，结果合理性为100％。 (3)路段行程时间预测在动态交通诱导系统中具有重要的作用，预测的精度对动态交通诱导算法的有效性有显著影响。假设研究路段未来时段的行程时间是该路段上的前几个时段行程时间以及与路段相连的各个路段的行程速度的线性函数，利用卡尔曼滤波理论建立了行程时间预测模型，为交通状况的实时预测提供了一个有效途径。并利用广州市的交通实测数据，对基于卡尔曼滤波理论的行程时间预测模型进行了验证，试验结果表明这一模型具有较高的精度。 (4)实时交通信息、完备的电子地图以及有效的动态诱导算法是动态交通诱导系统的保障。因此通过基于BP神经网络的移动与固定检测融合技术获得的实时、准确、的交通信息，建立了以电子地图为基础的动态路径诱导模型，并根据动态网络的不同情况，分别提出了基于A*算法、Q-learning方法和遗传算法的动态路径诱导算法。A*算法中两结点间的最短路径下界的取值直接影响A*算法的搜索效率，而以往A*算法中这一取值都是静态的，为提高A*算法在满足先进先出原则的动态网络中的搜索效率，提出了将两结点间的最短路径的动态下界应用于A*算法的思路，进而提出了动态一致性原则及以此为基础的动态A*算法，并证明它们的有效性。为了提高了Q-1earning动态路径诱导算法的学习效率，设计了基于电子地图中所蕴涵的先验知识(两结点间直线距离)的Q-learning动态路径诱导算法学习过程。遗传算法初始种群的产生一直是其应用于最短路径问题的瓶颈，提出了利用随机A*算法(即在A*算法选择结点的过程中加入了随机性)来产生遗传算法的初始种群，解决了这一难题，提高了基于遗传算法的动态路径诱导算法的搜索效率。最后，以广州市电子地图为基础，对以上模型及算法进行了验证，试验结果表明A*算法适合求解满足先进先出原则的动态网络中的路径诱导问题；Q-1earning方法适合求解常态且不满足先进先出原则的动态网络中的路径诱导问题；遗传算法适合求解非常态且不满足先进先出原则的动态网络中的路径诱导问题。 (5)公共交通路网描述方法是公共交通诱导模型及算法的基础，而以往的公交路网描述方法中存在两结点间有多条路段的情况，从而导致传统的经典最短路径算法不能用于这种网络，这就使得以该种公交路网描述方法为基础建立的公交诱导模型难以找到合适的算法进行求解。因此提出了一种新的公共交通路网描述方法，解决了以往描述方法中两结点间存在多条路段的情况，并以此为基础为满足不同用户的需要分别建立了：乘车次数、乘车站数、乘车费用、多目标以及乘车时间5个公交诱导模型，并分别证明了模型的有效性。同时对以上5种模型，分别提出了基于A*算法的公交诱导算法。最后，以广卅市公共交通路网(包含471条公交线路、1040个公交站点，通过提出的公交路网描述方法转换成的路网包含9845个结点、25963条边)为基础，对模型及算法进行了验证，试验结果表明它们都是有效的。