相对完善的社会服务和庞大的就业需求吸引人口迅速向城市聚集，而居民出行需求与城市交通供给能力发展速度的不匹配，使得交通拥堵成为城市的通病。为提升拥堵治理的系统性和科学性，研究城市交通状态的动态特性及应用有着重要的意义。论文将电子实时路况地图作为研究数据。该数据融合了原始交通流数据和地理信息数据，以像素色彩记录路段的实时路况，较好地保留了全城交通状态整体、连续的时空特征。通过对该数据的时序挖掘和应用，论文尝试解决三个问题：（1）量化各路段对城市路网拥堵程度的影响力；（2）量化评价高峰时段城市路网交通状态的演变；（3）利用实时路况地图中的路况数据和在线导航系统的路线引导功能，实现车辆在出发地到目的地之间动态避堵分配。具体研究工作主要包含以下三个方面：
　　（1）将电子实时路况地图转化为高维海量序列数据，改进高维向量特征约简算法BSSReduce，构造基于双射软决策理论的专家系统，实现了对城市交通关键拥堵路段的锁定。该方法能够在10000个道路像素点中找到70个点，精确定位到60*60平方米的路网网格。相较于传统的方法成本更低，覆盖更高，范围更精确。该研究可以帮助城市交通运营和管理者，在复杂的城市路网中，快速锁定对路网交通状态影响力大的路段，更好地进行路网规划和路段交通管理。
　　（2）利用电子实时路况地图序列数据，基于自编码器模型，提出了一种成本低、覆盖面积大、量化精准的方法，挖掘路网交通状态序列的潜在空间特征。该方法能够捕捉到高峰时段城市全局交通状态的变化过程，与传统的直方图相比，捕捉到了更加丰富的交通状态时空变化。该研究可以帮助城市交通管理部门更精细地掌握路网交通状态变化，验证相关交通管理措施的实施效果。
　　（3）结合已知的路况数据，从车辆行为管控出发，借助在线导航系统引导车辆主动避开拥堵区域。以电动汽车充电行为为案例场景，构造了拥塞博弈模型描述车辆与易堵资源之间的交互过程，应用了一种自适应学习的强化学习算法，实现了电动汽车与充电站的动态避堵匹配，相比传统资源匹配的遗传算法，该方法性能不受初始值的干扰，且收敛更加快速。该研究可进一步优化在线导航系统的引流功能。