Grundlagen des Instanzbasierten Lernverfahrens zur Prognose von Reisezeiten und lokalen Verkehrskenngrößen als Basis für dynamische Informations- und Steuerungsverfahren im Verkehrsmanagement sind kontinuierlich erhobene lokale Verkehrskenngrößen, unregelmäßig beobachtete Reisezeiten, sowie Kalendermerkmale (Tagesklasse und Tageszeit). Die Verkehrskenngrößen werden unter Berücksichtigung der Geometrie des Straßennetzes räumlich-zeitlich strukturiert und für den späteren Zugriff archiviert. Im Sinne des Regressionsgedankens werden für die zu prognostizierenden abhängigen Variablen ('Zielgrößen', Reisezeiten oder lokale Kenngrößen) relevante unabhängige Variablen ('Merkmale', lokale Kenngrößen und Kalendermerkmale) identifiziert und als zur Zielgröße gehöriges Muster betrachtet. Die Auswahl und die Gewichtung der verkehrlichen Merkmale basiert dabei auf räumlichen und zeitlichen Abständen zur Zielgröße. Die Kalendermerkmale werden relativ zu den Verkehrsmerkmalen und abhängig vom Prognosehorizont gewichtet. Bei einer Prognoseanfrage wird die Ähnlichkeit des aktuellen Musters zu jedem archivierten historischen Muster berechnet, für das eine Beobachtung der Zielgröße vorliegt. Aus den zu den ähnlichsten Mustern korrespondierenden Zielgrößen wird die Prognose als gewichteter Mittelwert berechnet. Das Verfahren wurde implementiert und anhand von realen Daten aus Graz (Belegungsgrade und Taxipositionsmeldungen) und München (Verkehrsstärken und Reisezeiten aus Fahrzeugwiedererkennung) kalibriert und bewertet. Es besitzt sechs wählbare Parameter zur Gewichtung der Merkmale im Mustererkennungsprozess und zur Approximation der Prognose. Eine Analyse zeigt die Sensitivität der Prognoseergebnisse in Abhängigkeit der in Wechselwirkung stehenden Parameter. Ein Genetischer Algorithmus wird zur automatischen und gleichzeitigen Kalibrierung der Parameter eingesetzt. Der Test des Verfahrens unter verschiedenen Randbedingungen zeigte, dass bei der Prognose des Belegungsgrades und auch bei der Prognose der Reisezeit die Ergebnisse des Instanzbasierten Lernverfahrens besser als die der einfachen Verfahren und vergleichbar mit denen der künstlichen Neuronalen Netze sind.