行程时间预测是支撑高速公路交通运行评价、行车诱导、交通智能化管控等应用的关键技术，在高速公路交通大数据日渐丰富的背景下，如何保障高效、准确的行程时间预测结果值得关注。为弥补现有预测数据单一、实时性不佳等问题，文中提出一种基于LightGBM(LightGradient BoostingMachine)算法和路警数据融合的行程时间预测模型，基于多源数据，构建交通量、大车占比、天气、日期类型、车型、路段长度、平均行程时间等多维特征集；利用山东济广(济南—广州)高速公路ETC(电子不停车收费系统)门架系统(出入口收费站和路段ETC门架)、视频卡口等数据进行行程时间预测模型训练与验证，采用均方根误差犚犕犛犈、平均绝对误差犕犃犈、平均绝对百分比误差犕犃犘犈及运算时间4项评价指标对该模型与最邻近(KNN)、随机森林(RF)、支持向量机回归(SVR)3种常用机器学习算法的预测结果进行对比，结果表明采用该模型，4个验证路段的犚犕犛犈为5．78，分别比KNN、RF、SVR模型降低22．8%、13．5%、21．0%，运算速度分别提高 -60%、98%、96%，可应用于高速公路网实时行程时间预测，并支持面向不同车型的差异化行程时间信息服务。