随着汽车保有量的急剧增长和城市道路的相对局限条件,城市道路环境下的交通拥堵问题已成为智能交通系统中的突出问题。同时,智能交通和人工智能技术的不断发展,城市被赋予了更高的要求,给智慧城市的建设带来了新的发展机遇。在物联网快速发展下和政府不断在智能交通系统投入巨资下,城市交通智能化及其智能网联环境下的智能交通技术发展迎来了新契机,特别是智能网联环境下交通拥堵抑制的研究逐渐引起了许多学者注意。因此,针对智能网联车环境的交通拥堵抑制问题,本文提出一类新型的基于多属性群决策的迭代式Reverse top-k算法,并设计一种交通拥堵抑制系统方案,最后数值实验和实际路况数据测试验证本文方法的优势和有效性。本文主要研究工作内容包括:1)针对多属性群决策问题,提出了一种基于属性优势度的迭代式Rtop-k决策算法。首先从属性指标的角度研究并挖掘属性之间的“相似性”特征信息,进而确定各个属性的优势度,为了避免因k的不合理取值造成结果的失真,设计了一类迭代式Rtop-k算子,并给出了属性相似度的计算公式和优势度定义,对相似度为0的特殊情况进行合理化修正,最后具体实验案例验证了算法的优势和有效性。2)针对智能网联车环境下的交通拥堵抑制问题,本文基于属性优势度的迭代式Rtop-k决策算法提出了一种群决策的交通拥堵抑制方案。首先进行路网交通数据的采集和预处理,给出路网评价指标的计算公式;进而考虑决策信息的异构性特征,给出了一种均值填充方法;最后在决策信息中提出了一种新的适合于多属性群决策问题的指标正向化的方法,该方法能有效避免因变换后为使评价值为0的特殊情况,从而实现一种智能网联车环境下的交通拥堵抑制方案。通过长沙市某交通路网实际场景对交通拥堵抑制方案应用进行了实验分析,结果验证了本文方案的有效性。3)为了应对语言型的路网评价专家信息及其评价指标具有模糊性的决策问题,本文提出了一种基于区间二型模糊集的改进迭代式Rtop-k方法,该方法的核心思想是基于区间二型模糊集的模糊计算方法,改进迭代Rtop-k算子并挖掘属性之间相似性,从而有效进行群决策处理。通过路网案例实验,针对专家的评价指标为语言型情形,本文方法能够有效地做出交通拥堵抑制决策。