随着社会和经济的发展,机动车的保有量逐年递增,交通安全、交通拥堵等社会热点问题的恶化程度日益加剧。城市道路的拥堵治理是将短长期规划和执行及集战略战术为一体的综合问题,当前,在众多缓解拥堵的方案中,依附智能交通系统为主体是被认为行之有效的重要方法之一。行程时间在智能交通系统中扮演着重要的角色,该参数能够直接为道路管理者和使用者提供直观的交通路况信息,并广泛应用于路径诱导、出行信息服务、交通需求管理、道路性能评价等。行程时间的预测问题被广泛学者关注,但预测的实时性和准确性已经成为了当前面临的主要挑战,尤其是在路况复杂的早晚高峰,较多的交通干扰导致行程时间波动较大,行程时间的稳定性主要受到供给和需求关系以及信号控制的影响。本文将以车牌识别数据为基础,对城市道路的行程时间进行研究。首先,对获得的基础数据进行了分析和处理。根据车牌采集设备的特点,对原始数据存在的4种问题进行了分析,并提出相应的解决办法;以实例数据为基础,提出了一套基于车牌识别数据的处理和分析方法,文章从宏观层面对设备的整体情况进行了评价,从微观层面对设备的识别精度与流量精度进行了分析;再从数理统计角度出发,对行程时间的噪音数据进行了清洗,为间断流路段行程时间的预测提供了科学的数据集合。其次,根据间断流行程时间分布特征对交通状态进行了划分。通过验证,采用了三分量的混合高斯分布对研究路段的行程时间进行描述,结合相关的判断标准,对交通状态进行了划分;根据状态划分的结果,运用行程时间的波动性表征指标对过饱和状态的随机性和复杂性进行了阐释。最后,提出了一种适用于不同交通状态下的行程时间预测组合算法。通过新变量的引入以及对数据的时空分析,可以确定机器学习算法的输入参数;根据预测得到的交通状态,运用行程时间精度和可靠性指标对不同交通状态所对应的算法进行择优选择,PSO-SVR-Kalman算法在过饱和状态下得到的结果最优,再从空间角度对算法的泛化能力进行了验证;运用TVF-EMD对行程时间误差序列进行了分解,从而达到对预测结果的优化。