交通拥堵作为城市化溢出的负外部性产品,其应对与治理在全球范围内一直都是社会各界关注的焦点领域。交叉口信号控制及路径诱导作为智能交通系统中重要组成部分,在日益严峻的交通环境下,正获得越来越广泛的应用。然而,在硬件设施迅速发展和完善的同时,交通管理系统智能化程度低的问题依然存在,交通管理部门面临着从海量的交通流数据中,尤其像交通突发拥堵所产生的具有非重复特性的数据中,获取隐藏的内在信息,以及充分利用信息优势制定科学的疏导策略等问题。因此,在海量交通数据的基础上,开展动态交通流信息处理及拥堵的控制与诱导策略研究,对缓解城市交通拥堵具有重要意义。本文针对交通突发拥堵这一有别于常规性拥堵的现象制定专门的交通管理策略,分析城市交通突发拥堵的特点、传播规律,利用深度学习算法具有快速、充分学习数据内在特征的能力,从大量交通流数据中快速判别出交通状态并预测短时动态交通流信息,在此基础上,结合文中给出的突发事件下交通流传输模型,分别从交叉口信号控制系统和路径诱导系统两方面,研究交通突发拥堵的事先疏导及协调控制的策略,并对几种策略的作用机制和效果进行仿真评估。具体工作如下:首先,分析了城市交通突发拥堵现象的特点,包括拥堵产生的原因、拥堵的评定指标以及突发拥堵的交通流时空分布特征。利用交通波动理论分析了不同情形下拥堵传播的规律,讨论了交通突发拥堵情况下交通管理部门的应对方案流程。分析了城市交通突发拥堵交通流参数的时空相关性,针对预测模型输入数据的高维特性以及交通流数据复杂性、非线性和不确定性的特点,利用深度学习工具构建未来短时动态交通流信息预测模型。构建深度信念网络对交通流数据作无监督特征学习,引入Logistic回归实现有效、实时的交通拥堵状态识别,同时为交通流信息预测提供分类预训类,在分类预训练结构顶层添加反向微调网络,通过后向反馈预测动态交通流信息。然后,考虑微观仿真软件在进行解析分析时受到软件功能制约,交叉口信号控制需要结合路段的排队情况,为了准确描述排队的形成及消散过程,构建一种能够刻画突发拥堵可能出现排队溢出现象的交通流传输模型:事件双排队模型,分析证明了模型的理论特性,利用算例数值计算验证模型的实用性。进一步根据模型的理论特性,建立了信号控制优化模型,并利用遗传算法对离散化后的模型进行求解,通过数值算例验证该模型对交通突发拥堵疏散的有效性。其次,分析了动态交通流信息对交通分配的影响,设计了考虑用户紧急程度的基于动态交通流信息的在途诱导方案。为了充分利用动态交通流信息并提高诱导效率,提出了时变路网下改进的A*算法,考虑用户不同紧急程度对拥堵感知存在差异,提出了基于紧急函数的行驶时间感知效用算法,并构建了基于用户紧急程度的备选路径分配方案。再次,考虑目前大部分的协同优化策略都需要反复迭代运算来实现目标优化,且计算量过大,提出了基于动态交通流信息的线下学习-线上控制的信号控制与诱导系统协同优化方案,在海量数据的基础上,利用人工智能无监督学习功能,掌握交通拥堵的交通流特征,将主要计算问题转移到线下,从而实现线上管理决策应有的快速性。分析交叉口时间延误,对文中提出的信号控制、在途诱导策略做适当改进,以助于实施协同控制方案。最后,为了表征不同控制策略的作用机制及效果,利用微观仿真软件SUMO建立了典型交通仿真环境,将O-D数据分成两组,在此仿真环境下,利用一组数据分别制定信号控制策略、在途诱导策略以及协同优化策略,同时利用所得到的交通数据信息进行训练以学习预测模型参数,然后用另一组作为仿真评估数据,通过四种指标评估所提策略的实用性及有效性。