随着城市化进程的加快和汽车工业的发展,道路通行能力与交通需求之间的矛盾变得日益尖锐,交通拥堵现象日益突出。分析交通流规律特性对交通拥堵状况的影响和作用机理,构建多信息融合的交通控制与诱导协同模型,制定行之有效的交通流预测及交通控制诱导协同的策略,是实现智能交通的必要组成部分。实时掌握城市交通路网的交通流量数据以及预测数据,是影响城市道路交通问题的关键因素之一,充分的掌握和分析交通流的变化规律,可以更加精准的为交通控制及诱导协同研究提供重要的数据保障。本文按交通流特性分析——交通流预测——交通控制与诱导协同的递进关系进行研究,其中对城市交通路网各个交叉路口间的空间关系、每个交叉路口历史与未来的交通流规律进行了详尽的描述与研究,从而实现交通流预测。在得到预测结果的基础上构建交通控制和诱导协同模型来完成交通疏导。本文针对这些主要问题进行深入研究,并利用实际的现场交通流数据对相应的理论方法进行了验证,主要研究内容如下:(1)提出一种基于信息融合神经网络(IFNN)的交通流预测模型。该模型充分利用道路交叉口的历史和未来的交通信息来预测交通流量,弥补了现有模型预测时只能依据过去时刻的时序信息来预测下一时刻输出的不足;(2)设计一种道路向量化编码对道路交叉口进行向量化,以向量距离来映衬路网的空间关系,然后将含有空间关系的轨迹数据输入IFNN模型进行训练及预测。(3)提出多种交通信息融合的技术,综合考虑交通路口的历史数据、未来数据、实时道路的交通事件数据并进行融合,并结合神经网络算法进行交通数据分类。在其基础上结合大脑协同系统(BCOS)完成交通控制与诱导协同模型,最终用交通仿真软件VISSIM近似实时模拟,通过结果评价来验证此模型的优越性。综上,本文对构建具有空间关系的轨迹数据、动态交通流预测、交通控制与诱导协同问题进行了深入探究,这对于解决城市交通拥堵问题具有重要的参考和借鉴意义。