城市经济的飞速发展给智能交通带来了巨大压力，解决交通拥堵、缓解交通压力、降低由于交通拥堵所带来的负面影响是当前迫切需要解决的问题。智能交通的研究越来越受到重视，研究内容也逐渐丰富。智能交通领域的路况预测是其他智能交通系统的基础和关键，同时，路径导航算法又是城市交通流诱导、车载导航系统的核心技术。针对以上分析，本文就行程时间的预测、路径导航算法进行研究，做了如下的研究工作：①在参考已有基于卡尔曼滤波进行交通参数预测的方法基础上，针对简化路网模型的特殊要求，提出了一种基于卡尔曼滤波的单步行程时间预测模型，设计了预测算法，并解决了卡尔曼滤波应用于行程时间预测的时滞性问题、以及所需历史平均数据的自动更新问题，使预测所得行程时间更加符合实际情况。②在上述单步行程时间预测模型基础上，建立了基于卡尔曼滤波的行程时间多步预测模型，并提出了多步预测算法，能够实现约20分钟内的多步预测(每5分钟为一步)。为解决行程时间多步预测中由于观测值未到来而无法进行多步预测的问题，还提出了HD(History Day)算法。③针对现有导航算法仅考虑单一数据的问题，基于上述多步预测算法，提出了一种能够综合利用实时数据、行程时间多步预测数据及历史数据的实时路径导航算法,能够解决仅采用实时数据得到的导航路径存在因路况信息变化过于频繁而造成车辆实际行走花费时间比最初预测花费时间明显更长的问题。④利用模拟数据对上述预测模型及算法进行了验证。实验表明：1)行程时间的单步、多步预测模型及预测算法能够有效地消除时滞性；2)多步预测模型及预测算法能够较好的预测未来20分钟内的路段行程时间；3)基于实时数据、多步预测数据及历史数据的导航算法所得路径的行程时间从整体上优于基于实时数据的导航算法所得路径的行程时间，路径变化较少。