随着城市交通状况的持续恶化,人们对实时、准确交通信息的需求更加强烈,而浮动车系统是伴随着ITS新技术应用而发展起来的新型交通信息采集技术,是对传统交通信息采集技术的有益补充。利用浮动车系统数据预测行程时间是ITS领域研究的重要内容,可以为ITS的核心子系统ATIS和ATMS提供实时、准确、可靠的行程时间预测信息,满足系统功能对行程时间预测结果的需求,使其及时采取对策,疏导交通、减少拥挤,以实现交通资源的社会效益与经济效益最大化。本文以城市路段平均行程时间为研究对象,结合实际浮动车行程时间数据,尝试采用新的方法对行程时间进行较为准确的预测。首先介绍了目前较为新颖的浮动车系统交通数据采集系统,阐述了浮动车系统的定义、原理及其采集行程时间数据的过程。其次基于浮动车可以实测路段平均行程时间的基础上,利用基于贝叶斯正则化算法的BP人工神经网络对路段行程时间进行预测。根据不同网络结构、不同样本数据对建立多个预测实例对该方法进行了验证,最后通过遗传算法优化神经网络,研究进一步提高预测精度的可能性。实验证明结合浮动车数据和BP神经网络的路段行程时间预测结果能满足一定的精度要求,有一定的实用性,而遗传算法优化后的预测精度有了进一步的提高。