如何将交通流分配到有限的道路资源上,使得交通网络中用户总出行费用或者个体出行费用尽可能少是整个社会和国际学术界关注的热点研究问题。现有研究通常假设用户可以提前获得确定的交通流量或其分布,不满足实际需求。论文针对未来不确定的交通流量到达路网出发节点选择路径去目的节点的实时交通流分配问题,在用预测理论与方法对未来不确定的交通流量进行预测的条件下,采取在线问题与竞争策略的理论方法,从交通管理者和用户角度研究路段通行能力无限制与有限制情形下的在线交通流分配策略,为交通管理部门指挥疏导交通流和用户出行的实时路径选择提供有效理论依据。主要工作和创新性成果如下。贝叶斯流量预测下的在线用户均衡（User equilibrium,UE）策略设计及其竞争性能分析。从个体用户的角度来说,每个个体用户的出行时间和出行量是不确定的,因此,当前某一时间段内到达路网某一出发节点的交通流量是不确定的。首先用Probit方法求出用户到达出发节点的当前交通流量,并针对个体用户只能获取有限交通流量数据的特征,选取神经网络模型、卡尔曼滤波模型和非参数回归模型构成贝叶斯组合预测模型A,对下一时间段内的交通量进行预测,在此基础上,采用在线问题与竞争策略的理论和技术,以路网上每个用户出行费用尽可能少为目标,设计贝叶斯在线用户均衡策略,将贝叶斯预测下的交通流分配到路网上,证明该策略在路段通行能力无限制情形下竞争比为（1+（α+β）/2）^g+2,而在路段通行能力有限制情形下竞争比为（1+λ（α+β）/2）^g+2,并比较两种情形的执行效果。通过实例分析,对贝叶斯在线UE策略的执行效果进行验证。贝叶斯流量预测下的在线系统最优（System optimization,SO）策略设计及其竞争性能分析。从交通管理者角度来说,根据其可获取各时间段、各路段交通流量历史数据的特征,选取时间序列-ARIMA模型,支持向量机回归模型和历史平均模型构成贝叶斯组合预测模型B,对下一时间段内的交通量进行预测,在此基础之上,采用在线问题与竞争策略的理论和技术,以路网上所有用户出行总费用尽可能少为目标,设计贝叶斯在线系统最优策略,将贝叶斯预测下的交通流分配在路网上,证明该策略在路段通行能力无限制情形下竞争比为（1+（α+β/2））^g+1,而在路段通行能力有限制情形下竞争比为（1+λ（α+β）/2）^g+1,并比较两种情形执行效果。最后通过实例分析,对贝叶斯在线SO策略的执行效果进行验证。