交通诱导系统对于缓解城市道路拥堵和提升道路服务水平具有重要意义。结合道路本身运行状态以及外界干扰因素的路径行程时间估计与预测是交通信息中非常重要的一部分。随着路网中大量浮动车的运行以及车辆运行轨迹数据的积累,使得通过轨迹数据估计路径实时行程时间变为可能。在给定的起点和终点间,对不同路径的通行时间进行估计与预测,最终选择行程时间最短的路径。然而在实际的路径引导中,路径的选取并不是仅仅依靠行程时间作为选取路径的唯一指标。城市道路在面临不同降雨量时,底盘的安全高度的不同导致车辆在路径上通行风险的不同,就会出现最短路径并非是车辆通行的最优路径。获取到准确的路径行程时间和路况信息对于旅行者出行具有重要的意义。本文将城市道路上运行的浮动车数据与降雨气象数据融合分析,根据不同路径的路况信息与车辆属性提出了通行风险的评估方法。分析了降雨对城市道路运行状况的影响,包括道路运行水平、交通四要素以及路面湿滑状况,同时也分析了不同车辆底盘高度在面对不同积水深度时可能会发生的车辆抛锚时间,最终可能会导致道路阻断无法通行。在数据处理方面首先将浮动车的历史轨迹数据与地图匹配,将现有的路网拓扑结构打断生成基于最小路段的路网拓扑,结合浮动车轨迹数据将最小路段从新组合成基于路径分析的最优子路径组合,该方法减少了计算车辆通过交叉口行驶时间的次数,从而降低出现计算误差的可能。由于车辆的行程时间在时间维度上有一定的依赖性,于是设计了基于长短期记忆网络(LSTM,Long Short-Term Memory)的循环神经网络对行程时间进行预测模型。在预测过程中将历史子路径行程时间、子路径平均车速、子路径起点时刻与当前降雨等级作为输入特征对结果进行预测;最后结合之前计算的行程时间、车辆底盘安全距离以及积水深度三个参数对路径作出通行风险等级评估。通过本文构建的行程时间估计算法与其他的行程时间算法比较,本算法有较高的预测速度与可靠性。同时在路径引导中加入通行风险指标后,在车辆诱导方面对车辆安全通行有明确的信息展示与安全引导。