路段旅行时间作为一个重要的交通变量,对于交通分析和交通控制起到决定性的作用。准确的估计与预测路段旅行时间是实现交通控制与管理和交通诱导的前提,其对于缓解道路拥堵,避免社会资源浪费,减少环境污染,降低经济损失等具有重要意义。随着交通智能化与信息化的推进,海量交通数据的记录、存储及提取已不再是一个难题,对于海量的数据,基于模型的方法估计与预测路段旅行时间会面临参数过多、模型结构过于复杂,预测精度低等问题,而基于数据驱动的方法,无需建立模型,仅需寻找数据间的内在联系机制即可,预测较为简单高效。本文即利用数据驱动的方法进行旅行时间估计与预测。本文以城市快速路为研究对象,以北京市北四环一路段为例进行数据驱动的路段旅行时间估计与预测研究。本文首先通过仿真获得车辆轨迹数据,进而模拟现实中浮动车信息采集场景获取基于仿真的浮动车数据,然后运用遗传算法优化的神经网络对模拟的浮动车数据进行旅行时间估计,由于仿真的采样间隔小,可直接将路段起始点和终止点的时刻做差获得真实的路段旅行时间,将路段旅行时间的估计值与真实值进行比较,验证基于遗传算法优化的神经网络进行路段旅行时间估计可靠性强。然后提取目标路段的真实GPS数据,将真实GPS数据带入已验证的神经网络模型,对实际的GPS数据进行路段旅行时间估计,得到GPS浮动车数据的路段旅行时间估计值。在其基础上,建立历史数据库,分别运用非参数回归和基于非线性拟合的非参数回归对GPS浮动车数据进行路段旅行时间预测,其中,分别将时间、路段平均速度及时间和平均速度同时作为输入,探讨不同的输入对输出的旅行时间预测值的影响。分析预测结果的平均百分比误差APE和平均百分比绝对误差MAPE得出,当时间信息与平均速度信息同时作为输入时,预测误差最小,同时,基于非线性拟合的非参数回归方法预测路段旅行时间的准确性优于单纯的非参数回归预测方法。