自智能交通的概念提出以来,与交通有关的科学技术取得了飞快地发展,智能交通系统对于准确高效控制的要求也逐步上升。在实现交通规划与管理的过程中,精确的交通流预测是一个重要的前提条件。同时,随着交通路网愈加复杂,能够结合实时交通流状况,为出行者提供最佳的路径推荐,减小其出行成本也显得尤为必要。基于此,重点研究了交通流预测信息下的路径推荐。主要工作如下:为充分利用交通流数据信息,挖掘交通流时间序列中蕴藏的规律,引入了混沌理论进行分析。首先采用延时重构的方式,基于C-C法完成了交通流速度时间序列到其相空间的映射。然后通过求取交通流速度时间序列的Lyapunov指数,证实了序列存在混沌性。最后对混沌时间序列的预测原理及方法进行了解释,为后续基于神经网络模型实现交通流的预测提供了理论基础和依据。为在路网模型中加入对交叉口延误时间的考量,分析了延误的产生与计算过程。计算得到交叉口延误和路段时间花费后,以传统路网模型为基础,采取多节点等效单节点、变更权重含义的方式,提出了一种时间度量下的路网模型,方便了以时间为优化目标时的路径搜索。为解决短时交通流预测精度不足、模型复杂的问题,提出了基于改进天牛须算法优化的确定性跳跃循环状态网络的预测模型。针对天牛须算法在搜索最优解时,易陷入局部最优和搜索精度低的缺点,采取模拟退火技术和变步长策略对其改进,提升了算法的性能。随后以改进算法对确定性跳跃循环状态网络的参数进行优化,提高了网络在预测交通流时的精度,取得了对真实值更好的跟踪效果。为结合交通流状况,考虑路径属性和出行者偏好等多个因素,实现多目标下的路径推荐,提出了基于推理和前景理论的路径推荐。一方面,通过模糊推理建立起路径属性与路径出行阻抗之间的关系,弥补了以往确定出行阻抗时合理性不足的弊端。另一方面,以证据推理融合出行者偏好、路网的不确定性,完成对路径选择概率的计算。最后在前景理论的框架上,计算出路径在实际中对出行者产生的收益,实现了在多目标下的最优路径推荐。通过在真实的数据和仿真案例上对提出的模型进行分析,证明了所建立的交通流预测模型和路径推荐模型的有效性。所作研究在解决交通问题、协助交通规划与管理等方面,具有一定的参考价值。