随着科学技术的迅速发展以及人们生活水平的不断提高,人们拥有的车辆数量也在急剧增加,对于出行效率的需求也日益增长。而相对固定的城市道路交通网络与日益增长的出行需求便产生矛盾,从而导致城市道路拥挤和堵塞的产生,极大地降低道路的通行效率。ITS(Intelligent Traffic System,智能交通系统)是目前缓解交通拥堵,提高交通效率的重要途径。交通流状态预测是ITS中一项重要且基础的研究内容,其可以为ITS提供实时、准确的交通流变化趋势,使得ITS能够针对可能出现的拥堵道路及交叉路口,及时地做出车辆分流、调整交通灯信号等措施,从而缓解部分道路的交通压力,避免交通拥堵的产生,提供城市道路的通行效率。同时,由于人们对通信效率的需求,人们的行驶路径更偏向于行驶时间更短的路径,而不是行驶路程最短的路径。准确的交通流预测也能为城市道路路径规划提供数据支持,利用城市道路交通流状态的预测值,可以有效避开可能产生拥堵的道路或交叉路口,从而规划出一条最有可能的行驶时间最短的路径。但是,现有研究中,仍然存在交通流预测方法对交叉路口和路段相互影响关系考虑不足,多步预测误差累积、复杂度高、可预测范围小,交通网络路径规划算法时间复杂度较高等问题。在此背景下,本论文研究基于交通流多步预测的路径规划,主要分以下两部分开展工作:(1)本文同时考虑道路交通流和交叉路口的交通流状态,基于图卷积循环神经网络(Graph Convolutional Recurrent Neural Network,GC-RNN),对城市道路的道路和交叉路口进行多步短期交通流预测。并针对交通流多步预测可能存在的误差累积、训练数据不足等问题,提出了一种基于数据平滑的多步预测方案,有效降低误差累积,增加可预测的步数。同时,利用德国科隆市人们日常出行记录产生的模拟交通数据集,对多步预测方案进行验证,并与现有其他方法进行对比分析和评价。(2)在多步交通流预测的基础上,将路径规划问题建模为时变网络最短路径问题,并针对现有求解时变网络最短路径问题的主要方法,分析对比了其优劣,提出了一种基于扩散的层级网络搜索算法,迅速寻找到一条在出发点和目的点附近的局部最佳路径,其准确度能够接近全局最优路径,且时间复杂度相比已有算法大大降低。最后,利用多步预测的结果对各最短路径搜索算法进行验证和对比,结果表明,基于扩散的层级网络搜索算法能够有效降低时间复杂度,减少搜索时间,且搜索结果接近全局最优。