随着我国机动车保有量的不断增加,高速公路的拥堵问题日益严峻,于是对高速公路的信息服务水平提出了更高的要求,行程时间预测可以指导出行者制定出行计划、为管理者提供决策依据,能在一定程度上缓解交通拥堵。因此本文对高速公路的行程时间预测展开了研究,以期得到更加精确的预测效果。为了选定贴合研究对象的预测方法,对几种经典的预测方法进行了归纳总结,考虑到高速公路行程时间预测对预测精度和速度的要求,以及非参数回归法以数据为驱动的特点更符合收费数据的特征,本文选用K近邻非参数回归法进行预测研究。为了提高预测精度,对K近邻非参数回归法进行了改进,对状态向量和K近邻搜索进行了优化。为落实提出的改进方法,本文做了以下工作:1)状态向量的改进。为了使状态向量在包含足够多特征信息的前提下精简状态向量的数量,利用主成分分析法降低状态向量的维数。2)历史数据库的改进。结合收费数据和交通事件数据建立交通事件状态下的子数据库,并借助朴素贝叶斯分类法建立常规交通状态下的子数据库,优化了数据库的结构,降低了在历史数据库中搜索近邻的复杂度,提高了运算效率。3)K近邻搜索的改进。根据历史数据库的分类结果,不同子数据库选用不同K值进行预测,实现了变K值搜索。为证明改进的有效性,从而获得更精确的预测结果,本文以广州机场高速南线为例,选取了具有代表性的10天内的收费数据和交通事件数据,其中收费数据包括车辆进出收费站的收费站点、时间等信息,交通事件数据包括发生事故和施工的位置、时间等信息。验证了所提出的K近邻非参数回归法改进方法的有效性,证明其无论是在分别应用或是共同应用时都能够在一定程度上提高预测精度。并提出了改进后的K近邻非参数回归法在高速公路信息管理系统中的应用。