摘要：路段行程时间是最重要、最能反映交通运行状态的信息,与地点交通参数相比,可以更好地评价道路的畅通程度,能够反映道路的运输效率,体现实时的道路交通拥挤情况,在交通规划、交通控制、交通管理中起着重要作用。高速公路的路段行程时间估计方法主要分为两类：一类是基于地点交通参数数据的估计方法,另一类是基于单车行程时间数据的估计方法。考虑到线圈检测器技术成熟及低成本因素,本文改进了一种基于车辆长度数据进行车辆识别的车长匹配算法,新算法步骤为：首先收集在检测时间内通过路段上下游检测器的所有车辆长度,找出上下游相同的车长,剔除掉噪声数据,实现车辆识别,计算出单车行程时间并最终估计得到路段行程时间。该算法以高速路段上的线圈检测器数据进行实例验证,结果表明,相比较于地点交通参数估计方法,该算法显著提高了行程时间估计精度,能更加快速的识别出交通事件,而且在现有的车辆检测器上就能够实现车辆识别,并不需要安装新的检测设备。不仅获得实时的、当前时刻的行程时间非常重要,预知未来时刻的行程时间同样十分重要。本文基于模糊推理系统和神经网络两种预测模型的优点,提出了基于自适应神经模糊推理系统的路段行程时间预测模型,该模型以车长匹配算法估计得到的数据为实验数据,经过训练及有效性检验后,与BP神经网络模型比较预测误差,结果分析表明,所建立的模糊神经网络模型能够描述输入、输出的映射规律。该模型对交通参数预测领域的研究具有一定的创新意义和借鉴价值。