随着交通系统复杂性程度日益提高,尽管相关部门在各种交通设施建设方面投入了大量的资金和资源,但其仍然不能满足人们的出行要求。面对如此复杂的交通系统,为了提高智能交通系统的搜索效率,缩减其搜索范围,在更短的时间内反馈路网信息,缩短用户在出行过程中“无谓的等待时间”,对短时交通流预测和路径诱导算法的研究是很有必要的。然而要解决上述问题,最重要的是提高短时交通流预测以及路径诱导算法的效率。从短时交通流预测算法、路径诱导算法的角度来看,交通管理的成效,和预测、诱导精度以及算法效率直接相关。但是,一般来说,精度和效率之间呈负相关关系,算法的精度越高,代表其逻辑太过复杂,或者是计算工作量大,因此计算耗时更长,效率更低,严重时彻底失去实用性。在短时交通流预测方面,论文中对常用短时交通流预测算法进行了分析对比,并指出各种算法的优缺点及使用范围,因BP神经网络算法构建的数学模型具有十分严谨的特点,同时具有自主学习能力、良好的容错能力以及良好的泛化性,所以选取BP神经网络算法对短时交通流进行预测研究。但是BP神经网络算法因采用静态梯度下降法来优化网络权值和阈值,使其BP神经网络算法存在一定的局限性,如稳定较差,收敛速率缓慢,容易达到局部极小值等缺陷。为了克服上述缺陷,论文在短时交通流预测中采用改进后的遗传算法来优BP神经网络预测模型。遗传算法作为一种全局范围的搜索算法,通过模拟遗传过程中遗传因子复制、交叉和变异的特性,对个体不断进行择优,将最终得到的最优解作为神经网络算法的初始值。但是交通流数据的复杂多样性使得遗传算法在搜索的过程中可能存在最优解丢失的情况,从而导致算法过早收敛,反而降低了短时交通流预测的准确性。为了克服以上缺陷,在遗传算法中引入跟短时交通流运动极其匹配的混沌现象,组成混沌遗传算法(CGA)。其核心思想主要是在待优化变量中引入混沌状态,并把混沌运动的遍历范围“扩展”至待优化变量的取值范围中,进行全局细化搜索,这样就能避免过早陷入局部最优解,最终通过不断优化得到最优解。然后用得到的最优解初始化BP神经网络的初始权值和阈值,从而提高对短时交通流预测的实效性和准确度。论文并验证了改进后的算法其性能比之前有明显提高。在路径诱导方面,论文中也是对常用路径诱导算法进行了研究对比,并分析出各自算法的优缺点和使用范围,由于蚁群算法具有智能化搜索,能够达到全局优化的目的,在鲁棒性、自组织性、并行性方面表现十分突出,并且适合复杂的非线性交通系统中,所以采用蚁群算法对路径诱导进行研究。当然,任何算法都会有自身的局限性和不足,论文针对蚁群算法上存在的缺陷分别对蚁群算法的状态转移规则和信息素更新规则进行了改进。从而减少出行用户对无效路径的搜索,并且能从综合因素中选择最优路径。在本课题的研究中,在满足短时交通流预测和路径诱导算法实用性要求的前提下,充分发挥云计算平台在数据保存和并行处理方面的优势作用,结合Hadoop平台,对改进后的BP神经网络算法和蚁群算法进行了MapReduce的设计和实现,成功地设计出新的短时交通流预测以及路径诱导方法,在预测、诱导的精度和效率之间找到良好的平衡点,大大强化了两种算法在实用性方面的表现,并且在实验中验证了算法的性能和实用性。