利用浮动车进行城市道路行程时间数据的采集和预测,能够在数据源上保证数据的精度和可靠性,提高数据的质量,另外,一方面,可以为用户出行提供交通诱导服务,使用户躲开交通拥挤和事故发生路段,以便合理地掌握出行时间,提高出行效率;另一方面,为交通管理部门提供数据支持,预测交通拥挤的持续时间和交通事故的事发路段及持续时间,进行交通异常状态的判别和交通事件的自动检测,缓解交通压力,提高行车速度。论文首先确定了影响行程时间精度、可靠性、稳定性和质量的影响因素,如GPS数据的采样周期和传输周期、行程时间的分析周期、浮动车样本量和路段长度的划分,并用实测数据进行分析验证。论文还对GPS数据进行了预处理,对错误数据进行修正、丢失数据进行补充,以期提高数据的精度。GPS数据和GIS地图进行匹配时,由于GPS误差和GIS地图也存在有误差,本文就提高地图匹配精度的方法进行了研究。最后,运用ARMA模型、指数平滑方法、RBF神经网络和数据融合技术进行路段行程时间预测,路段平均行程速度为输入变量,输出特定路段的行程时间,并用实测数据进行分析验证。结果表明,RBF神经网络方法的预测精度要优于ARMA模型和指数平滑方法,而数据融合技术的预测精度更优于RBF神经网络,预测效果较为理想。