城市路网作为重要的城市基础设施,与人们的日常出行密切相关。而随着城市人口数量的增多与汽车保有量的不断增长,城市路网的交通流量压力日益加剧。城市路网承载着日益严峻的负载压力,与此同时,路网流量的不均衡分布成为交通拥堵与交通事故频发的重要因素。当下,数字城市基础设施的建设与发展为实时采集路网运行状态、路网流量实时分布等大数据提供了基础保障。通过对路网大数据的实时采集、存储、分析处理及可视化来综合感知城市路网运行的实时状态以及交通事故风险等级,对提升城市路网运行效率与通行安全等方面具有重要意义。解决城市路网上流量分配不均衡的问题主要依赖于两方面,一是大数据环境下交通数据的提取和处理,二是智能交通系统中的流量调配策略和模型的计算效果。对海量且来源众多的交通数据进行多源数据的融合与处理,可以更准确地分析路网上的运行状态,也可以让流量调配模型的计算结果更具有实用性。对智能交通系统进行优化,引入新的流量均衡模型和交通流量预测方法,有助于对路网上的资源进行更好地调配和优化,使居民得到更好的出行体验。针对数据处理和模型的建立两方面问题,本文首先进行了多源数据的融合与处理。在此基础上进行了车辆动态路径规划研究,对路网流量进行了预测。进而基于交通流量均衡理论在全局视角和用户视角下分别建立了流量均衡模型,对交通流量进行调配,使路网上的车流量达到一个均衡的状态。同时使用真实数据集模拟流量均衡情况,验证了流量分配方案的有效性。本文的主要工作和贡献如下:（1）为采用多源、海量数据,使得研究结果更为准确,本文研究采用手机信令数据、汽车轨迹数据等来源于多个不同渠道的数据,并进行了多源数据的融合。通过多源数据的融合能够更好地分析出路网上的实时状况,对路网状态有更好的判断。将多源数据融合后作为预测模型和流量均衡模型的输入数据,能得到更贴近实际情况的预测结果和均衡结果,使得研究成果更具有说服力和实践性。（2）为更好地进行路径规划,本文结合静态路径规划与动态路径规划两种算法的优势,根据不同策略设计不同的优化指标,分别模拟静态与动态城市交通下的路径规划过程,为当前路网上的所有用户规划最优的出行路径,在用户层面上优化了用户的出行。同时本文结合循环神经网络和图神经网络两个模型结构,对区域流量的空间相关性进行了建模,进行OD的流量预测。通过预知城市区域即将发生的流量趋势,可以对交通进行调度和疏导,避免造成交通运营能力低下和造成安全隐患。（3）为进行交通流量均衡,对路网资源进行调配和优化,本文用Wardrop均衡理论作为理论基础,在系统全局视角下建立了一个基于均衡马尔可夫链的模型来改善动态路网上的流量不均衡问题,提出了一种时间相关的拥堵预测和拥堵缓解算法来缓解交通网络的拥堵。模型通过转移概率矩阵来反映实时的拥堵情况并进行流量疏导和调配,在系统全局的视角下进行了交通流量的分配和转移,优化了有限的路网资源,一定程度上实现了对交通流量的动态管控,完成了对道路上车辆的组织管理。（4）为解决传统的中心化交通流量调度方法普遍计算负载较大等问题,本文在用户视角下提出了一种分布式的基于势博弈理论的交通流量调度模型。交通流量系统在移动端经过计算向用户推荐一条路线而不依赖于中心平台对用户进行调度,使用户相对均匀地分布在各条路线上,从而达到一个用户满意的效果。该模型在用户的角度完成了对交通流量的分配和均衡,对路网上的资源进行了协调,提高了用户的出行效率。综上所述,本文整合城市交通多源大数据,提出一系列利用多源数据和人工智能算法相结合的路网流量预测与均衡模型,所有模型均通过真实数据进行训练并验证,在协调交通管理、缓解交通拥堵、提高出行效率等方面提供了重要解决方案和技术支撑。