如今高速公路上流量负荷不断增大,高速公路交通系统将面临着十分严峻的挑战,高速公路管理部门需要简明直观的信息辅助决策。但随着高速公路上数据日益增加,反映交通状态的参数种类也在不断增加,管理者很难在这些繁杂的信息中找到需要的重点信息。为了对日益拥堵的高速公路提供更好的管理对策,本文选取在交通诱导、交通控制时最关注的因素:行程时间作为主要研究对象,其中主要研究内容如下:实现更加精确有效的行程时间估计,需要获取更加全面、精确的交通数据。因此,本文首先分析了常用的数据融合技术以及融合模型,提出了多源数据的采集与预处理方法,并以长益高速收费站数据、交调站断面数据与阻断数据为基础,对行程时间的时空特征与影响因素进行了深入分析。然后,通过对现有行程时间的估计方法分析,选取了支持向量机模型进行行程时间估计,并使用人工鱼群算法(Artificial fish-swarm,AF)对模型参数进行了优化;通过优化参数SVM模型与原有SVM模型的对比分析,验证了优化参数模型的优势;根据数据调研得知,不同高速公路的管理部门拥有的高速公路数据存在一定误差,因此,本文使用不同高速公路数据对行程时间进行估计,可为拥有不同数据高速公路管理者提供参考。最后,以湖南省长益高速G5513中长沙西至宁乡作为实例分析,在长益高速上拥有高速公路收费站数据、高速公路断面流量数据、高速公路阻断数据和其他环境数据的基础上,以突出管理方需求为导向,将优化参数的支持向量机模型以及基础BP神经网络模型、卡尔曼滤波模型、多核支持向量机模型用来估计未来的行程时间,并进行对比分析,得到每种模型优势,从而满足管理方需求。