随着我国经济的快速增长,城市化进程不断加快,城市道路拥堵情况日益严重,城市交通环境污染等交通问题已成为全民关注的热点。进入新世纪以来,智能交通系统受到人们的极大关注,路径诱导系统(又称动态路径诱导系统)作为智能交通系统的核心,其主要功能是充分利用现有交通设施,提高交通路网运行效率。按照诱导路径是在控制中心还是车载设备上,将动态路径诱导系统分为中心式动态路径诱导系统和分布式动态路径诱导系统,本文主要对分布式动态路径诱导系统进行研究。论文对智能交通系统概念和框架结构进行阐述,对分布式动态路径诱导系统进行研究,充分分析了分布式动态路径诱导系统的功能需求,并对系统的功能框架进行了设计。针对分布式动态路径诱导系统中的两个主要内容进行研究:一是短时交通流预测;二是动态路径优化。本文分析总结了几种经典的短时交通流预测方法,结合组合预测的思想,提出一种基于改进的K近邻非参数回归和小波神经网络的短时交通流加权组合预测模型。文中对最近邻非参数回归预测方法进行基于相关系数的改进,以达到提高预测精度的效果,以用小波基函数代替神经网络模型中传递函数的方式将两者进行深入融合,形成一种前馈网络。该组合模型结合了改进的最近邻非参数回归预测的高精度和小波神经网络学习算法简单、收敛速度快的优点。通过实测交通流数据进行算法仿真,根据仿真结果分析,组合预测模型有更好的预测精度。掌握准确的交通信息是进行动态路径优化的关键,交叉口延误对整个行程时间来说是不可忽视的一部分,文中对交通路网中交叉口处的延误进行了分析,给出计算带有交叉口延误的行程时间计算方法。借鉴以前学者在车辆排放模型上的研究,构建适合分布式动态路径诱导系统的轻型车排放模型,并构建基于行程时间和机动车排放的双目标优化模型。为了适应本文中带有交叉口延误的交通路网模型,对传统的Dijkstra算法进行改进,并提出一种基于K最短路径算法的交互式双目标最优路径算法,通过算例验证了该算法的有效性。