世界范围内的经济发展、社会进步和城市化进程的加快,道路交通与社会经济生活的联系也越来越紧密,随着机动车数量的不断增加,交通堵塞、交通事故、能源浪费、环境污染等问题已成为影响社会发展的消极因素,至此智能交通系统应运而生,利用该系统能够提高交通管理水平、降低能耗、减少交通事故,实现道路交通社会效益与经济效益最大化。　　 先进的出行者信息系统和先进的道路交通管理系统是智能交通系统的核心子系统,行程时间预测是实现核心子系统多种功能的重要基础,行程时间预测一直是智能交通研究的核心问题之一。实时、准确、经济的道路网络的行程时间预测对智能交通系统的研究、开发、建设与运营具有重要意义。　　 本文主要针对基于置信区间的贝叶斯神经网络的行程时间预测进行了系统的研究,并将应用于智能交通系统中。具体的研究内容概括如下:　　 (1)本文提出了利用公路车辆智能监测记录系统和车牌匹配技术收集原始行程时间数据的方法,并且介绍了行程时间预测的相关技术,并对一些常用行程时间预测算法进行分析和比较。　　 (2)针对神经网络预测模型的训练方法收敛速度过慢,易出现局部最小值等不足,本文提出了利用贝叶斯推理状态空间神经网络模型。利用此方法能够加快模型收敛,局部结果波动范围小,且整体稳定性强。　　 (3)针对以往行程时间预测模型训练时间过长,预测模型的权值更新及彼此之间的复杂度难以控制等弊端,本文提出了利用终止条件控制模型的训练过程,缩短模型训练时间,提供更加快速的预测信息。　　 (4)为了确保行程时间预测结果的稳定性,本文提出利用可变控制因子限制的置信区间对模型的预测结果进行规范。预测结果稳定性强,能够给道路交通的管理者和出行者更加精确的估计时间。　　 利用2007年9月某市滨河路和2009年4月某市坊子大队干线的交通数据对模型进行验证,实验表明该模型能够缩短训练时间,具有较好的鲁棒性、准确性。