在全球气候变化与快速城市化的背景下,城市系统所面临的不确定因素与未知风险不断增加。极端天气、疫情蔓延等外部扰动事件使交通系统极易产生级联失效或大面积瘫痪,实现韧性交通系统的需求十分迫切。论文以“宜居、韧性、智能”为总体目标,研究主要围绕大范围城市道路网络的系统建模、系统特性与系统控制三个方面开展,解决了多因素耦合建模、系统响应机制与韧性导向的自主协同控制三个问题。首先,针对复杂交通系统多因素耦合作用机制建模困难的问题,提出基于贝叶斯因果关系网模型求解的方法,通过Leaky Noisy-OR gate模型及动态离散化等技术简化求解。解决了降雨条件下城市道路系统信息物理韧性的定义、建模与评价问题,以及一个极限失效形式下系统韧性分析的案例研究。贝叶斯因果关系网提供了“系统的系统”视角,利用干预与反事实的手段扩展思考系统问题的维度,可较好的解决复杂系统耦合作用下的宏观决策问题。其次,关于扰动事件下交通系统响应机制不明确的难题,基于海量RFID数据挖掘系统自吸收外部扰动的特性。在该数据集下,暴雨情况路网的平均速度降低约8-9%,平均流量降幅约2-5%,出现平均速度下降的路段超过80%,可解释降雨下驾驶员感到混乱的主观感受。同时,引入“应力-应变曲线”的概念,提出了时不变、交通需求无关的系统韧性曲线,该曲线将传统的静态评价问题上升至动态提升的维度,同时也是韧性导向边界控制中设定点选择的理论依据。最后,就扰动事件下大规模路网控制对实时性要求高的难题,提出韧性导向的大范围路网边界控制方法,该方法基于数据驱动的比例积分控制;试验结果表明该控制器可帮助系统自动地吸收与适应扰动,不同的扰动场景进一步表明控制器的鲁棒性与可扩展性较好。就大范围路网的交通流异质性问题,提出考虑邻居节点权重的图注意力自编码器。通过仿真获得训练数据集,离线训练获取模型参数;以在线方式选择协同控制点并动态应用局部最大压力控制。该方法解决了路网这类有向高维图数据的降维问题,可结合各类局部优化策略优化路网运行。本文的研究是实时的态势感知、协同控制与新兴通信技术融合的交叉学科问题,在交通系统应对难以预先准备的不确定性事件方面具有前瞻性思维与重要的理论意义,在大范围路网协同控制方面具有较大的实际应用需求与价值。