作为城市发展的重要环节,交通不仅是运送人流、物流的重要通道,还是连接城市的重要纽带。在众多交通问题的研究当中,短时流量预测与路线推荐这两个研究课题与我们的日常生活息息相关。本文将对交通领域的这两个热门课题展开研究和讨论。短时交通流量研究方面,流量的预测是根据已有的交通流数据,在时刻t实时预测下一时刻t+△t以及以后若干时刻的交通流量。人们对短时交通流量进行预测一般都是运用自回归模型(AR),滑动平均模型(MA)、历史平均模型(HA)和自回归滑动平均模型(ARIMA)等。而这些线性预测模型的计算复杂度较低,其模型本身未能反映交通流过程的不确定性和非线性,无法克服随机干扰因素对交通流的影响。随着预测时间间隔的缩短,这些模型的预测精度就会变得很差。近几年人们对神经网络的结构设计和学习方法进行了大量研究,这些基于神经网络的预测算法虽然提高了预测效果,但只适用于单源数据且往往只在高速公路之类具有比较稳定的交通流环境下才能达到不错的效果。针对上述现有方法所存在的不足,我们提出一种平面滑动平均模型,该模型具有以下优势：(1)它集成了个体自身流量模式和相似流量模式的特征来进行预测；(2)训练集大小要求很低；(3)它在对复杂的城市交通流预测之中比之前的流量预测方法具有更强的泛化能力。交通路线推荐研究方面,最优路径规划策略一直以来就是交通管理和控制研究的热点问题,限制于使用的领域和方法的不同,最优路径规划的策略也不同。常用的经典路径规划策略有A*算法、迪杰斯特拉(Dijkstra)算法、贝尔曼-福德(Bellman-Ford)算法等。但是这些算法往往只利用了相互独立的旅行时间向量,未考虑相邻道路之间的关联,因此其最终推荐的合理性值得商榷。针对上述问题,我们提出一种道路捆绑模型,该模型利用相连道路之间的车辆行驶特征以及不同时段的道路通过时间对出行路线进行预测,是解决该类问题的一种创新方案。我们在真实的交通数据集上对提出的模型进行了充分的实验来验证模型的性能。实验结果证明我们模型的预测和推荐的效果优于已存在的其他方法,具有实际应用价值。