随着我国社会经济迅速发展,汽车保有量持续增加,公众跨区域出行需求日益增强,对高速公路的需求远远超过其建设速度,使得高速公路承担的通行压力越来越大,从而导致道路拥堵、交通事故频频发生,高速公路整体服务水平大大降低。为了缓解经济发展带来的交通运输压力,使资源最优化,我国加大对智能交通系统（ITS）的研究与建设力度。高速公路行程时间预测是智能交通系统建设的重要内容之一。本文以广西高速公路收费数据为基础,提出一种适用于广西高速公路的行程时间预测方法。主要完成的工作包括以下三点:（1）提出一种针对广西高速公路收费数据特点的数据清洗方法,提高数据集质量。首先利用出口原始收费数据表中的出口时间和入口时间字段计算各车辆行程时间,接着根据规则剔除异常数据、使用正态分布的“3σ”原则筛选有效数据,最后化简数据表,仅保留研究所需字段。（2）提出一种适用于广西高速公路的行程时间预测方法。首先构建行程时间的特征工程,以预测时间段的前3期时间区间的平均行程时间、车型、车类、周天、小时作为特征变量,用最大最小标准化方法对数值型特征归一化处理,用one-hot编码对分类型特征进行处理;然后分别使用随机森林算法和BP神经网络建立高速公路行程时间预测模型,最后以广西高速公路六景至南宁东段的数据为研究对象,对模型进行训练以及对预测结果进行验证、评价。结果表明,BP神经网络比随机森林算法更适合用于搭建高速公路行程时间预测模型。基于BP神经网络的预测模型泛化能力更好,平均绝对百分比误差（MAPE）和均绝对误差（MAE）分别为6.23%和116秒,为可接受的误差范围。（3）将行程时间预测模型应用于已建成的“智慧高速一体化平台”系统中。基于python语言和pytorch框架搭建行程时间预测模型,通过socket实现“智慧高速一体化平台”系统后台与预测模块跨语言、跨平台的通信连接,使用Spring调用python进程提供的服务实现预测功能。将本论文的研究成果应用于实际生产中,让管理部门及时了解高速公路交通变化趋势,做好交通诱导和管控工作;出行者可根据预测时间提前规划行车路线,有效避开拥堵路段,节约出行成本,降低车辆能源消耗,减少尾气排放和噪音污染,具有良好的社会效益。