城市交通流诱导系统(Urban Traffic Flow Guidance System,UTFGS)是智能交通系统(Intelligent Transportation Systems,ITS)的重要研究内容。UTFGS通过对车辆进行诱导来改善路面交通状况,并最终实现交通流在整个路网上的合理分配,动态路径选择是UTFGS中的核心理论。目前国内外对路径选择方面的研究大多是从集中处理的角度考虑,这些方法由于信息收集和计算速度等多方面的原因而在实际应用中受限。分布式的处理方法是解决动态路径选择问题的另一个思路。本文从分布处理的角度出发,利用Agent技术具有的智能性、学习性等特点帮助出行者处理出行信息,并通过智能体之间的交互协商完成路径选择。在协商的过程中以驾驶员的出行意愿为主导,辅以提高路网的整体效率,同时兼顾“用户”最优和“系统”最优的分配原则。本文首先分析了驾驶员路径选择行为的影响因素,通过决策意向调查,确定了驾驶员在进行路径选择时的决策目标、相应权重及评价阈值。在此基础上,建立了各目标的效用函数以及评价出行路径的线性效用最大值模型,为智能体选择出行路径提供了依据。根据多智能体相关原理,本文建立了3种类型的智能体:路网系统管理者智能体Agent-TMS、协调者智能体Agent-ISP和代表驾驶员出行意愿的车辆智能体Agent-IRCS。在此基础上,建立了出行前的路径选择协商模型。最后利用多智能体仿真软件Starlogo,对3种不同出行比例(150:50,100:100,50:150)情况下驾驶员无信息无协商出行、有信息无协商出行、有信息有协商出行3种路径选择方式以及有信息有协商出行中各种车型组成比例情况下的驾驶员路径选择行为进行仿真。仿真结果不仅揭示了出行信息的重要性,也验证了协商方法在驾驶员路径选择方面的有效性和优越性。