本世纪现代地面运输管理的模式主要有交通流诱导和线路引导,交通流诱导和线路引导的一个重要内容是路段行程时间。路段行程时间需要对交通流数据进行分析,而交通流具有不确定性、随机性、实时性等特点,导致路段行程时间预测异常复杂。传统的路段行程预测方法存在各种不足,如卡尔曼滤波算法适应性不强;BP神经网络可以将行程时间的变化趋势反映出来,但预测精度较差。本文针对城市路网的特点,阐述了路段行程时间预测方法的意义,分析了现有路段行程时间预测方法的原理和特点,将在线序列极限学习机应用到路段行程时间预测中,提出了基于在线序列极限学习机的路段行程时间预测算法(Online Sequence Extreme Learning Machine Travel Time Prediction,OSELM-TTP)。将路段行程时间的样本数据固化到隐层输出矩阵中,当算法更新时,只将新产生的数据对网络进行更新,有效地解决了路段行程时间的实时性要求,提高了预测精度。运用MATLAB工具箱,基于实测的交通流数据,对真实路段进行了行程时间预测仿真,将OSELM-TTP与在线支持向量机回归(Online Support Vector for Regression,OSVR)和BP神经网络(Back propagation Neural Network,BPNN)进行了比较和分析。实验结果表明,基于在线序列极限学习机的路段行程时间预测算法有较好的适应性、实时性和准确性,它克服了在线支持向量机回归算法计算过程的复杂性、BP神经网络预测算法精确度差的局限性,整体预测性能比在线支持向量机回归算法和BP神经网络要好,证明了基于在线序列极限学习机预测路段行程时间的可行性。