随着我国城市化进程的加快,交通拥堵逐渐成为影响居民生活质量、阻碍城市可持续发展的重要因素。针对这一问题,传统解决思路是改善或扩建现有道路交通设施,但这类方法已被证实并非万全之策,甚至有时会适得其反。近年来,信息技术高速发展,不少国家和地区开始着手建设出行者信息系统(Advanced Traveler Information Systems,ATIS)以解决城市交通问题。然而在实际的交通系统中,交通流量是出行者各种复杂出行选择行为在有限时间和空间中宏观聚集的结果,ATIS能否有效调控出行者的出行选择行为,又能否进一步优化交通流量的时空分布是现阶段亟待研究的问题。因此,本文通过行为实验来研究交通信息对出行者出行选择行为的影响。首先,本文设计并开展了一系列真人参与的出行选择行为实验。实验中包含两种场景:一种场景为全局信息组,可以反馈全部出行者的历史选择信息;另一种场景为局域信息组,可以反馈出行者自身的历史选择信息。通过研究发现,全局信息对于出行者整体收敛到均衡状态的速度和质量没有显著影响,但会加快出行者(尤其是女性出行者)决策趋于平稳的过程;出行者的平均收益与其自身改变策略的频率呈显著的负相关关系,并且在大多数情况下,出行者的低收益会导致其频繁调整策略;反馈信息对出行者的策略响应模式有一定影响,接收局域信息的出行者更倾向于正向响应模式。其次,本文借鉴人类移动轨迹预测领域中的一些理论和方法对实验中出行者的决策序列进行了分析。通过研究发现,接收全局信息反馈的出行者决策过程更复杂,但其序列最大可预测性却没有显著降低;使用基于n阶马尔可夫链的预测模型对出行者的决策序列进行预测,发现1阶模型预测精度最优;进一步地,考虑决策序列的稳定性,发现全局信息组中不稳定序列的预测精度明显高于稳定序列,局部信息组中不稳定序列的预测精度不但没有提升,反而波动性明显变大。最后,基于出行者行为的异质性,本文使用经验加权吸引力(Experience Weighted Attraction,EWA)学习模型来刻画出行者的决策过程。通过遗传算法得到每个出行者对应的参数组合,从参数的心理学含义解释了不同实验场景下出行者决策过程的偏好差异;从模型的训练过程和预测结果来看,EWA学习模型可以更好地描述接收全局信息出行者的决策过程。