在交通运营与管理中，高效的出行信息与路径诱导系统将发挥越来越重要的作用。行程时间作为其中的关键参数，能够为交通状态估计和城市路网拥堵情况的发布提供数据参考。同时，行程时间是衡量路段通行效率和延误的重要依据，是反映路段交通状态的直接指标，在智能交通系统中有着广泛应用。目前，行程时间的预测研究大都局限于单一交通数据源。单一的交通数据容易受采集仪器的精度、采集方法、样本量、人为操作等因素的影响；而多源交通数据的融合，可以弥补单源数据的诸多不足，提高行程时间预测的精度。本文提出利用GPS浮动车数据与微波检测器交通数据进行融合，建立行程时间预测的数据融合模型。本文采用小波神经网络建立数据融合模型。同BP神经网络相比，小波神经网络具有更强的信息提取、非线性逼近和容错能力，但它存在初始参数选取的随机性、易形成局部极小值而得不到整体最优值等问题。遗传算法可以用来优化小波神经网络的初始网络参数，弥补小波神经网络自身的不足。优化后的小波神经网络用于数据融合可以提高模型的收敛速度与泛化能力。本文选取广东清远北江新区广清大道的交通数据进行了行程时间预测。结果显示，GPS出租车得到的行程时间与视频观测值相比偏低，误差超过了目标阈值15%的范围。原因在于出租车频繁超车，车速高于路段车流。而微波检测器得到的行程时间大于视频观测值，误差超过了15%的范围。主要原因在于实验路段大客车、大货车较多，遮挡了车流中部分小汽车，造成小汽车数据的漏检。而融合后的行程时间与视频观测数据吻合良好，误差在8%以内，满足目标阈值15%的要求。相比GPS出租车数据或微波检测器数据，融合后的行程时间在准确度和稳定性方面都有了很大的提高。把训练后的数据融合模型应用于广东清远市北江新区一个小型路网。与仿真输出的行程时间进行比较。结果显示，仿真输出及预测输出的误差均在目标阈值15%范围内，表明仿真模型及数据融合模型都是有效可靠的。但在同等实验条件下，数据融合模型的行程时间预测精度优于仿真软件输出。