随着我国城市交通的发展,中国城市路网规模日益壮大,城市的交通安全问题也愈发严重,交通事故层出不穷。其中,大范围的超车是产生交通安全问题的一个重要因素,以往的超车数据很难获取和预测,本文利用电子警察与卡口等车牌识别,通过上下游车牌识别与时间对比,可以较为精确的获取车辆在路段之间的超车关系,并在此基础上,对城市道路的超车特性进行预测分析。本文提出了一种基于智能优化算法优化的灰色伯努利模型和一种深度递归神经网络分别用于超车问题的短时预测和长时预测。灰色系统的序列累加方法可以有效消除外界无关信息的扰动,可以较为准确的预测短时内的超车情况,递归神经网络的联想记忆功能可以实现优质信息的保留与噪声的剔除,通过长时预测和短时预测可以实现路网超车情况的合理决策。具体地,本文的主要贡献如下:(1)本文提出了一种基于灰色理论的短时超车预测方法,并给出了优化方法。路面超车数据的波动性较大,在短时预测上,经典统计学模型往往误差较大,本文基于灰色理论的思想可以弱化其随机性。为了得到最优的模型超参数,本文分别使用了差分进化算法和量子遗传算法进行优化灰色模型的累加阶数和背景值构造系数。(2)在长时预测方面,本文首先梳理了经典的统计学方法,其次提出了用于路网超车预测的GRU神经网络,其具有较强的联想记忆功能,但是又比Lstm等网络具有较少的计算量等优点,具有较强的优势,可以有效的进行路网超车长期态势的预测。(3)为了验证本文所提出模型的有效性。选取江苏省苏州市苏州工业园区星湖街-现代大道路段的真实数据进行测试。结果显示,本文提出的用于短时超车预测的灰色模型相比于其它的灰色模型具有更高的精度,用于长时预测的GRU相对于其它两种长时预测模型精度高、泛化能力强、鲁棒性强的优点。