随着我国市场经济的快速增长以及人民物质生活条件的日益改善,道路交通问题也在人们的生活中显得更加重要。道路交通是城市发展的重要环节,它不仅仅是城市运输人流、货物的主要途径,更是联系城市交通的关键纽带。精确的交通速度预测与合理的出行路径规划,不仅能使人们的出行更高效、快捷,同时也能缓解交通拥堵,有助于交通网络系统正常运作。本文使用深度学习理论与方法,建立交通速度预测模型,在此基础上,为车辆合理出行建立路径规划模型。具体的研究内容为以下两个方面:（1）提出了一种基于注意力机制的CNN-LSTM-Bi LSTM交通速度预测模型。在这个混合模型中,基于注意力机制的CNN-LSTM网络负责提取交通速度的空间和短程时间相关性特征,Bi LSTM网络不仅可以捕获交通速度数据每日和每周的周期性特征,也可从两个方向提取交通速度数据过去和未来的长程时间相关性。以平均绝对百分比误差、均方误差和均方根误差等指标为评价标准,以广州市交通数据为例,利用提出的混合模型进行单步和多步预测。实验结果表明,与CNN、CNN-LSTM、Attention-CNN-LSTM和Bi LSTM等基线模型相比较,本文提出的预测模型具有更好的预测性能。（2）为了考虑城市交通状态的同时满足出行者的个性化需求,本文提出了一种基于改进Viterbi算法的城市动态最优路径规划算法。首先,选取路段长度、车辆行驶时间、交通流密度、车道时间占有率作为权重属性,利用主方法构建有向多重加权复杂网络模型。接着,采用综合赋权法对有向多重加权复杂网络的四种属性进行权重分配,进而得到复杂网络边的阻抗值。然后,利用改进的Viterbi算法进行最优路径规划。最后,使用兰州市3000辆出租车GPS数据,对提出的最优路径规划算法进行验证。实验结果表明,与静态路径规划方法相比,本文提出的动态最优路径规划算法更加科学合理,能够为居民出行、交管部门决策等提供支持与参考。