在智能交通系统快速发展的背景下，传统GPS导航的静态路径规划已难以应对城市复杂多变的交通状况。本文提出一种基于神经拟态计算的动态重规划模型，通过模拟生物神经系统的信息处理机制，实现突发路况下的实时决策优化。

该模型采用脉冲神经网络(SNN)架构，其时间编码特性能够有效处理连续变化的交通流数据。训练过程中，系统通过车载传感器实时采集包括事故点、拥堵路段、临时管制等动态信息，结合历史交通大数据构建三维路况特征矩阵。特别设计的突触可塑性机制使模型具备在线学习能力，当检测到异常事件时，可在200毫秒内生成多条备选路径并评估最优解。

实验表明，在模拟早高峰突发事故场景中，相比传统A*算法，神经拟态模型的重规划成功率提升37.2%，平均绕行距离缩短19.8%。其核心优势在于：1）仿生事件驱动机制减少无效计算；2）脉冲时序依赖可塑性(STDP)规则自适应调整权重；3）多模态数据融合层增强环境感知精度。

该技术已成功应用于某自动驾驶测试区，未来通过联邦学习框架整合边缘计算节点，有望构建城市级动态导航网络，为智慧交通提供新的技术范式。