交通流预测行程时间与路径规划是智能交通系统研究的热点,城市道路交通流基本信息是智能交通系统运行的基础,同时也为智能交通系统的优化提升提供了根本支持。通过更细致地研究交通流基础理论和技术,才能给驾驶员提供实时更新的路径以及精确的行程时间,进而达到缓解交通拥堵、实时交通诱导的目的。随着预测模型研究的发展和大数据时代的到来,交通流理论正朝着智能化、数字化方向发展,在交通流理论中开展大数据研究是当前和未来的发展趋势。本文开篇详细讲述了交通流大数据中几种主要的特性参数及其它们之间的关系与采集方法,并根据本文使用特性参数的性质,使用道路交通视频采集技术获得交通信息数据,再使用交通流大数据预处理方法,获取本文所需要的优质交通流大数据,为之后路程时间预测模型的校定与仿真对比给予根本保障。然后,以更精准地估计城市交通路段时间为目标,将城市所有实验交通路段作为研究对象,分析了经典的卡尔曼滤波行程时间预测模型,并结合道路监管限速加入限速机制优化卡尔曼滤波预测模型,通过实例计算验证了模型准确性。本文同时针对交通流大数据多种因素问题,进行属性子集选择,根据子集特性建立一次指数平滑和二次指数平滑预测模型,并用实测数据进行了验证。最后,本文以卡尔曼滤波、指数平滑和数据融合理论为基础,建立一种数据融合预测模型,利用熵值法计算各模型权重,并进行预测效果对比分析。扩展到所有城市道路路段,以每个路段对应时标的数据融合模型的预测行程时间为权值,采用Dijkstra算法进行路径规划得到实时的最短时间路径,加以实例验证。结果表明模型具有良好的适用性,计算结果具有较高的准确性,对于城市路段交通流行程时间预测,数据融合预测方法能够明显改善行程时间预测效果。