城市的高速发展使得城市交通道路网日趋复杂,为了应对复杂的道路网和多变的交通路况,车辆导航设备的使用频率逐渐增加。经验表明,驾驶者所期望的导航路径是能够规避拥堵路段、节省时间的路径,人们宁愿适量增加行驶距离来减少堵车时间,以期望节省总的行驶时间和提高驾驶的舒适性。现有省时路径规划方法只依据当前时刻的路况数据规划最优路径,随着路况快速变化,只能不断重新规划路径,驾驶体验差。为了改善现有省时路径规划依赖于当前时刻路况、规划的路线容易失去最佳性的问题,本论文针对高拥堵率的城市交通道路网环境,综合考虑历史路况和当前时刻路况,研究能够预测拥堵、规避拥堵的省时路径规划算法。本文首先分析了路径规划算法和交通流量预测的研究现状,指出需要改进的问题,接着介绍了路径规划的基础知识,其中,着重对路径规划算法、路网建模方法和路网的存储方法进行了介绍。为了给卷积神经网络提供足够的训练集和测试集数据,本文在总结城市交通流量的特征规律的前提下,对其进行建模,仿真生成了交通流量数据集。基于交通流量数据集,本文开展了卷积神经网络的短时交通流量预测研究,提出了一种适配于城市交通道路网的卷积神经网络模型,并在Tensor Flow系统上完成了该模型的构建、训练和测试过程,仿真实验的结果验证了该模型的可行性和有效性。本文还与常用的BP神经网络模型进行了对比,对比结果表明本模型的平均预测误差减少了36%,本模型在预测准确度和网络收敛速度方面的性能均有所提升。本文在实时交通路况的基础上,结合预测的交通流量,开展了省时路径规划算法研究,提出了一种基于卷积神经网络预测的路径规划算法(时间A*算法)。首先介绍了路网拓扑信息和权值信息的处理方法,然后改进了适用于城市交通网络的行驶时间与交通流量之间的函数关系式,从而能够根据神经网络预测得到的交通流量预估行驶时间,也解决了路径搜索过程中时间权值的计算问题。本文设计了一种基于神经网络预测的时间A*算法,将神经网络预测所得的交通流量数据应用到路径规划算法中,在车辆到达某路口之前就能对其到达时刻的拥堵状况进行估计,而不是在拥堵出现之后才视情况调整规划路径。本文通过仿真实验验证了该算法的可行性,并通过与常用路径规划算法的对比,验证了本算法能够平均减少19%的行驶时间。