随着城市中汽车保有量的快速增加和城市居民出行的频繁发生,城市交通在其经济发展中发挥的作用越来越明显,与之对应的是环境污染加剧,交通拥堵、交通事故频发。智能交通系统(ITS)被公认为处理交通问题的最有效方法,行程时间研究就是其中的关键问题,要想对城市交通进行有效的控制和诱导,行程时间是必不可少的因素,同时为了降低滞后性对交通管理和诱导的影响,行程时间预测研究一直被广大学者不断探索。研究城市道路行程时间预测的相关理论和方法,可以有效的缓解城市交通拥挤,加快城市现代化建设,对城市社会经济的发展具有不可替代的意义。为了开发一种简单实用的道路行程时间预测方法,论文首先系统的分析、总结了交通数据获取技术的相关理论,然后以包含交叉口的城市道路为研究对象,提出了行程时问估计模型、预测模型和预测时间融合模型。论文基本思路是：运用改进型的HCM2010建立了道路行程时间估计模型,并通过历史趋势模型和卡尔曼滤波分别建立了城市道路行程时间预测模型,由于各预测模型本身都具有其局限性,再加上单源交通数据会因为检测器本身精度原因影响预测值,论文最后根据神经网络模型构建了行程时间预测值的融合模型；其中,三个道路行程时间估计和预测模型的输出量——行程时间值都作为融合模型的输入变量,最终输出一个融合后的行程时间预测值。论文最后根据成都市某路段的道路实际参数和交通流数据,运用交通仿真软件VISSIM4.3对该路段进行仿真,得到相关交通数据,带入神经网络构建的融合模型中,得出城市道路行程时间预测值,然后与仿真行程时间进行比较。结果表明,融合模型得出的道路行程时间预测值误差绝大部分都在10%以内,比单预测模型精度高,融合模型有效性较好。