本文主要针对智能交通系统(Intelligent Transport System,简称ITS)领域中交通数据融合在预测行程速度方面展开分析与研究。一方面,行程速度是反映交通状态的硬性指之一。在实际的交通路况中,由于通行量在一天中的起伏较大,使得交通数据流的时空变化规律具有时变性,这间接导致行程速度依赖于交通流的变化。因此,准确的行程速度预测是反映ITS提供服务的重要基础数据。另一方面,由于行程路段上的交通数据具有高度的不确定性、随机性和复杂性,基于感应线圈和GPS浮动车的单类型检测器在对行程速度预测方面,两者取得的效果并不是令人很满意。鉴于两种检测技术在预测速度方面的互补性,本文在多源交通数据融合的基础上,提出改进的BP神经网络算法对其两种检测器预测到的行程速度进行融合,以期望进一步提高行程速度的准确性。首先,对感应线圈检测器和GPS浮动车检测器获取的交通数据用阈值法和交通流理论法对问题数据进行识别,对这些数据进行修正。本文提出了相邻时段数据平均值法,从而提高采集数据的质量。接着介绍了数据融合的原理、概念、层次和方法,对数据融合技术在先进的交通信息系统中的应用进行了宏观层面上的研究。对于不同单类型检测器在预测行程速度方面。本论文在对多辆浮动车数据(Floating Car Data,简称FCD)融合算法预测行程速度上,引入了浮动车(Floating Car,简称FC)单样本的基础权重值、处理策略权重值、路况状态权重值及其三者所对应的融合系数,通过融合算法对行程速度进行预测。最后,由于单类型检测器在计算行程速度的不准确性,故提出了一种改进的反向传播(Back Propagation,简称BP)神经网络对两种检测器获取的行程速度数据进行融合的方法,从而建立了基于交通数据融合的行程速度预测模型。