行程时间预测是ITS 的一项重要研究内容,预测效果直接关系到ITS 相关子系统功能的有效发挥。本文从两方面考虑提高行程时间的预测精度,一方面,采集的交通数据是否能准确全面地反映交通流运行的状态;另一方面,行程时间预测方法是否能充分利用交通数据中的有效信息对行程时间进行准确的预测。论文首先对行程时间预测的用户及其需求进行了界定,分析了行程时间的预测原理与预测条件。然后,为了提高交通数据的有效信息含量,对固定检测器的交通数据采集时间间隔和移动检测器的最小样本量进行了优化研究。最后,运用卡尔曼滤波、人工神经网络、小波分解与重构和数据融合技术对路段交通流平均行程时间预测方法和以公交车辆为代表的路段单车行程时间预测方法进行了研究,并用实测数据进行了验证。结果表明,对于路段交通流平均行程时间预测,基于移动检测器的行程时间预测精度优于基于固定检测器的行程时间预测精度,数据融合预测方法能够明显改善行程时间预测效果;对于公交车辆的路段单车行程时间预测,无交叉口路段行程时间预测的精度优于有交叉口路段行程时间预测的精度,数据融合预测方法同样可以提高公交车辆的行程时间预测效果。