城市交通系统的高效运转不仅保证了人们能够享受优质的交通服务,同时也带动了整个社会经济的发展。随着城市化进程的推进,城市人口规模越来越大,,城市交通面临着越来越艰巨的问题和挑战。过多的交通流造成道路严重超负荷运载,使得城市现有的道路功能变得混乱而低效,这给用户个体乃至整个社会造成了巨大的经济损失。因此,缓解城市拥堵这一顽疾,成为了目前国内外研究的重点。交通流实质上是所有出行用户路径选择行为的集合,所以对于交通系统的路径推荐方法的研究显得尤为重要。据调查,用户做出路径选择的依据除了个人喜好外,主要取决于路径阻抗的大小。为此,本文将研究重点放在对城市道路阻抗模型和路径推荐算法上。目前针对城市道路阻抗模型的研究主要是基于由美国公路局提出的BPR函数的改进,且大部分阻抗模型都基于道路流量数据建立,而现实中交通道路流量监测系统的覆盖区域非常有限,使得未被流量检测系统覆盖到的道路的阻抗难以估算。所幸的是,城市路网中无处不在的探测车可以提供海量的GPS轨迹数据,这些轨迹大数据背后隐含着大量的道路交通信息。鉴于此,本文提出了一种基于车辆轨迹数据的城市道路阻抗模型。除此之外,本文还分析了车辆在道路信号交叉口前的集结和消散过程,考虑了车辆排队延误时间对阻抗模型的影响。通过对比多条路段的实验结果,我们证明了本文提出的城市道路阻抗模型在保证较高的预测准确率的同时也具有良好的鲁棒性。在缺乏科学的路径推荐时,用户只能盲目根据自身经验和当前掌握的道路信息选择路径,这样很容易导致交通网络产生拥堵,使得系统整体效益下降。因此,交通管理部门必须协调交通流分配,通过不断优化路径推荐方法,使得最大程度上发挥城市道路设施资源的价值。目前动态最优路径推荐方法大都基于道路交通信息实时数据,然而,一方面,现有的多元实时路况数据尚未有统一的融合标准,导致实时数据内容单一、不完整。另一方面,我国的道路交通信息的实时检测系统覆盖区域非常有限,导致现有的最优路径推荐算法无法适用于那些未被实时检测系统覆盖到的道路。据此,本文提出了一种基于Q-learning的城市道路路径推荐方法。该方法不依赖于道路环境的实时路况数据,而采用把历史经验和行驶用户的实时观测数据相结合的方式,弥补了道路交通信息实时检测系统覆盖有限的局限性,且算法收敛速度快,在保证算法性能的前提下降低了时间复杂度。并对比了多种路径推荐方法后证明本文提出的基于Q-learning算法的路径推荐方法效果与最佳路径决策效果最接近。