智能交通系统是目前公认的全面有效地解决交通运输领域问题，特别是交通拥挤、交通阻塞、交通事故和交通污染等问题的最佳途径。交通流诱导系统是智能交通系统的核心研究领域和避免城市交通网络局部拥挤的最佳手段，而实时动态路径选择是交通流诱导理论的核心和理论基础。国际上许多研究者从多方面对以上理论领域进行了大量的研究，并取得了许多重要的研究成果。但所建模型普遍存在着计算量大、优化时间长、不适合大规模交通网络等问题。本学位论文紧密结合我国智能交通诱导系统研究与应用的需要，利用新兴起的计算智能理论，对预测型动态路径选择理论的主要研究内容如下： 首先，受城市交通多时段定时控制方案的启发，结合神经网络理论应用中的非线性函数分段逼近的理论，提出了多时段分时预测、分时诱导的思想，并基于人工智能领域新的研究成果——人工免疫系统，应用模式识别的理论和方法，对交通网络状态模式识别问题进行了初步的研究和探索，而且用建立的人工免疫算法进行城市交通状态模式识别的仿真研究，成功实现了交通时段的自动划分，克服了人工时段划分和基于遗传算法的分级聚类交通时段划分的不足，为交通时段的划分提供了一条新的思路。 然后，在对ARIMA、Kalman滤波、人工神经网络等交通流预测方法总结回顾的基础上，结合新兴的小波神经网络理论，建立了基于小波神经网络的短时交通流预测模型，并利用实测的济南市经十路交通流数据，与传统的预测方法进行了对比仿真实验。仿真结果表明，该模型在交通流的预测精度和网络的收敛性方面明显优于BP网络，对实时交通流的预测有着良好的应用前景。 最后，论文在现有研究成果的基础上，建立了交叉口有信号控制时的用户最优动态路径选择模型。并且，基于人工免疫优化理论，建立了一种免疫优化算法，并借助于计算实例，对所建立的模型进行优化计算。计算结果说明新的模型与优化算法在计算最短K路问题方面是可行的，与传统优化算法相比具有明显的优越性。