近年来，随着汽车保有量的快速增加，城市拥堵问题也变得越来越严重，仅靠传统的交通限行分流手段已经难以对付，智能交通系统（ITS）中的动态路径诱导系统对车辆分流、导航、最优行程路径的选择起到重要作用，这正是世界各国兴起研究应用的原因。动态路径诱导系统能够根据当前动态变化的交通信息，动态的生成最优路径。以行程时间最少为目标的路径应用最广泛，因此提前准确的预测车辆通过各路段所需要的时间是系统具有良好导航性能的关键。本文对提高预测行程时间的精度、实现基于时间预测的最少行程时间路径算法做了以下研究：首先，运用经典的行程时间预测方法包括支持向量机、人工神经网络、多元线性回归、K最近邻等对采集到的数据分别进行行程时间预测，对比分析每一种方法的优缺点，然后针对行程时间数据的特点提出一种最近邻中值模型有效提高预测精度。第二，针对单个模型的预测能力较弱问题，研究使用组合方法联合多个模型进行组合预测来提高预测精度。组合的方法包括线性的比如线性回归，非线性的比如神经网络、多维插值等方法，最小二乘线性回归方法最合适用于实时性要求严格的动态路径诱导系统，通过实验证明了组合模型的预测效果确实优于单个模型，线性回归组合方法优于神经网络组合方法。对最小二乘回归组合方法提出了改进算法，分别是基于聚类分片的线性回归和动态调整权重的线性回归，使得预测结果更精确。第三，现有的对动态最优路径选择算法的研究，多采用一种每到一个新的路口就重新计算一遍最优路径的简单策略，这样得到的路径不仅不是全程最优的路径，而且还增加了计算量。本文研究一种行程时间最少的动态路径生成算法，以dijkstra算法和K条最短路径算法为基础，结合预测的行程时间序列信息，选择一条考虑了路段行程时间动态变化的最佳路径。