近年来,随着电子商务的快速发展,城市物流配送活动正呈现喷涌式发展,无论是外卖配送,快递配送或者是同城跑腿服务,都越来越多地参与并影响到城市交通中,同时也正被大城市的交通拥堵所困扰。时下,大数据,人工智能等技术蓬勃发展,在“用大数据量化一切”的宏观背景下,如何利用海量的城市交通数据进行有效挖掘,并良好地反馈给城市交通建设和居民出行成为一个热门的研究领域。同时,对物流配送路径优化的研究从传统模型优化演变为与实时交通数据相结合的交叉研究。本文以滴滴盖亚数据开放计划提供的西安市滴滴出行轨迹数据为研究对象,结合大数据挖掘算法和人工神经网络模型展开研究,充分利用交通数据挖掘城市路况,将挖掘的路况数据结合路径优化模型应用于城市物流配送路径优化,主要研究内容如下:（1）对轨迹数据进行预处理和分析。识别并过滤虚假订单、无效数据、伪OD点数据,提取轨迹起讫点合成OD数据集。分析城市交通流量的高峰期特征,城市道路拥堵情况以及出行热点区域。（2）挖掘热点出行路段。基于改进的密度聚类算法DBSCAN对OD数据集进行聚类,建立聚类效果评价指标,实现聚类算法动态调参,使聚类结果更加合理化。同时构建核密度指标量化热点出行路段的热力值。（3）构建5S-TPI（道路交通拥堵指数）评价模型。改进模型评价要素,通过盖亚平台开放数据等多个开放数据源提取要素值,通过相关性分析证明要素选择的合理性,减少人为选择评价要素的主观性和局限性。（4）应用RBF神经网络对5S-TPI评价模型进行训练和预测。以滴滴发布的TPI指数为参考基准,通过RBF神经网络预测道路级交通拥堵指数。实验证明通过RBF神经网络的训练,该模型能够有效评价实时路段拥堵状态并应用于TPI预测。（5）建立基于实时路况的低碳配送路径优化模型并求解。建立配送路径最短时间和最少碳排放量的双目标函数,将双目标进行分两段求解。选取西安市某区域提取路网数据,结合前文研究结果,合理规避热点路段和拥堵路段,寻找双目标约束下的最优配送路径。本文针对复杂环境下配送路径优化问题,利用统计分析方法,聚类分析方法和人工神经网络模型,以西安市滴滴出行轨迹数据为研究对象,应用基于密度的聚类算法挖掘出行热点路段,建立道路交通拥堵指数评价体系,应用RBF神经网络实现拥堵预测模型,构造了一个基于实时路况的低碳配送路径优化模型。