衣食住行是人类生活中最普遍、最常见的需求,而“行”作为人类需求之一,占据着重要的分量。现代人类的生产活动中,车辆是主要的交通工具,车辆的快速增长伴随而来的是交通拥堵,虽然城市在不断扩张,但是很多城市因为早期规划不足导致道路能容纳车流的数量有限。改变道路规划虽然能从根本上解决交通拥堵,但是并不能短时间内得到改善。面对这一问题,交通智能系统设计应运而生,这一技术不仅能短时间内缓解交通拥挤问题,合理利用现实资源,而且符合现代社会的发展要求。交通分析技术是智能交通系统的核心之一,通过对道路、交通流速等关键因素进行分析,实现道路车辆的智能控制和诱导,缓解拥堵。本文基于蚁群算法与非参数回归模型开展交通分析相关关键技术的研究,主要是基于非参数回归模型的短时交通流速预测和基于蚁群算法的路径规划。短时交通流速预测即利用现有的车流量数据去滚动预测未来几分钟到十几分钟内的交通流速;路径规划是基于道路和路况信息,根据出行人需求对出行路线进行合理规划,以节省时间、能源消耗等成本。为了将二者有效结合,本文将短时交通流速预测结果作为路径规划的支撑条件。针对城市车辆交通流速的时间和空间的近似性,融合了时间序列的历史交通数据,提出“时间序列历史状态向量”的概念,设计基于时间序列历史交通数据的历史状态向量（Historical Time State Vector,HTSV）。将该向量作为基于时空相似性的K近邻非参数回归模型（K-Nearest Neighbors model based on Spatio-Temporal Similarity,STS-KNN,）的新状态向量,并用距离度量函数计算该向量的相关阈值,从而提出一种“融合历史时间序列的K近邻非参数回归预测模型”（K-Nearest Neighbors model based on SpatioTemporal Similarity of Fusion Historical Time Series,HSTS-KNN）。通过对该模型进行预测实验,HSTS-KNN模型预测精度较STS-KNN模型提高约5%,提高了预测的精准度。针对路径规划问题,在分析了国内外路径规划研究现状的基础上,通过对多种路径规划算法的比较,确定了本文以蚁群算法为路径规划研究算法,而且在传统蚁群算法的基础上进行了一定的改进,增加了“回退方法”和“记忆表”,并通过进行Matlab仿真实验,改进蚁群算法较基础蚁群算法平均运行时间减少30.51%,路线平均缩短了34.64%,验证了算法的可行性。最后结合HSTS-KNN模型的交通流速预测结果,将其作为路径规划权值,并构建Web GIS原型系统进行改进蚁群算法路径规划实验,车辆平均通行时间减少约11.5%,验证了通过两种技术结合可以一定程度上支持避开拥堵、节省时间。