交通行程到达时间预测（Estimated Time of Arrival,ETA）的定义为在给定的时刻,预测车辆沿着给定的旅行路径从出发点到目标点的通行时间。随着信息技术的发展,一些智能交通出行服务也逐渐在生活中被应用。行程时间预测作为智能交通服务的基础功能,被广泛地应用于路线规划,交通调度,流量控制等任务中,让人们的出行更加便利。近年来,随着各类深度学习技术被大量引进至到达时间预测领域,ETA算法的精确度提升很大。但是现有的方法仍然存在以下问题:1.预测到达时间所要考虑的变量极为繁多,其中有时变的交通流量数据,有包含复杂拓扑结构的交通路网数据,还有其他众多的隐藏变量,各变量之间还有复杂的依赖关系,ETA模型很难还原所有的变量的作用以及它们之间的相互关系;2.现实中的交通数据通常十分稀疏,很多交通变量缺乏足够的数据,这会导致部分特征信息会陷入欠拟合状态,这加大了数据处理的难度,影响了模型的预测精度。在研究以上提及的两个问题时,本论文做了如下工作:（1）本文提出了一种基于图注意力网络和自注意力机制的多任务到达时间预测模型。为了后续操作,我们将所有的路段看成是路网图中的各个节点,将行程路径看成是其中的路段构成的序列。对于行程路径中的路段,我们使用图注意力网络处理路段的嵌入特征,以提取附近路网的结构特征,然后对路段序列做自注意力操作,提取路径中各个路段之间的时空依赖关系。最后,对于处理后的路段特征,一边将它们与其他的全局特征结合起来,预测行程的总通行时间,一边预测每一个路段的通行时间。通过以上模型,我们可以提取交通数据中的时间与空间特征,准确地预测到达时间。（2）针对数据的稀疏性问题,本文提出先使用图聚类方法将交通路网中的各路段按区域划分为多个类,每个类中的路段有相似的特征。通过训练路段在各类内彼此学习,数据稀疏的路段可以从数据密集的路段中学习到额外的特征,数据的稀疏性问题将被缓解。我们在模型中具体使用了Louvain算法与图神经网络聚类两种方法分别完成了交通图的聚类,然后将得到的区域特征输入了到达时间预测模型,并提升了模型的性能。以上两个模型均在滴滴出行公司提供的北京市交通路网数据集与行车轨迹数据集上进行了训练。实验结果表明,在此数据集上,本文提出的两个模型均超过了用于提供对照的到达时间预测的基准模型,证明了我们模型的有效性。