智能运输系统作为国际公认解决交通问题的最佳途径,已经被列入我国《国家中长期科学与技术发展纲要(2006-2020)》优先发展主题。交通诱导系统是智能运输系统的核心系统之一,其中,中心式诱导由于能够有效避免分布式诱导所造成的交通拥挤转移问题,是国际公认解决交通拥挤最有效的诱导方式。本文依托国家“863”计划项目,对大规模路网下中心式动态交通诱导系统关键技术进行了研究,文中分析了目前中心式动态交通诱导系统在实际应用过程中存在的问题,指出了本文的研究目的和意义,并给出了系统的研究思路、具体方法、大规模路网下中心式动态交通诱导系统的逻辑框架和物理框架,并对其关键技术理论进行了分析。研究了基于浮动车的路段行程时间估计技术,包括基于模糊逻辑的GPS数据地图匹配、基于单车的路段行程时间估计及基于多车的路段行程时间估计;研究了基于线圈检测器的路段行程时间估计技术,针对单线圈检测器无法直接对速度参数进行检测,建立了基于ACE变换的区间速度平均速度回归估计模型;研究了基于固定型检测器和浮动车的交通信息融合技术,建立了基于TSGA-LSSVM的交通信息融合模型;研究了基于样本分类拟合的交通信息短时预测技术,建立了基于KSOM-BP神经网络的交通信息短时预测模型;并采用实际数据对上述相关模型、算法进行了实例验证,验证结果表明,本文所提出的模型、算法具有较好的准确性、实用性和先进性。同时,基于多级递阶网络分解方法和双端队列最短路径计算方法,提出了基于MLHND-TQQ的路径优化并行计算技术,并搭建了并行计算平台,采用三个城市的实际路网数据对路径优化计算时间进行了测试,测试结果表明,该项技术能够满足大规模路网下中心式动态交通诱导系统诱导实时性要求。