道路旅行时间能够直观地反映路段的交通拥堵状态,它是发展智能交通系统的重要基础。实时地预测各关键路段的旅行时间,不仅有助于交通管理部门针对某些潜在拥堵的路段采取交通管制,也可以为行人提供实时的路况信息以及制定最佳出行计划。在交通网络初具规模的今天,利用数据驱动的方法构建智慧交通是目前缓解和预防交通拥堵的主要手段。由于道路旅行时间受诸多环境因素的影响,如何利用交通历史数据集准确且实时地预测各路段的旅行时间,是研究智能交通系统的一个难点。现有的预测算法中要么使用的预测模型过于简单,不能充分结合路网的时空特性提取关键的特征,要么建立的模型在预测的实时性方面受到了限制。考虑到这些问题,本文将选用一种基于回归树的集成算法——随机森林,作为城市道路旅行时间的预测方法。因为随机森林算法更能适应路网的不确定性和复杂性,该算法具有很强的抗干扰能力,算法的预测性能不会受异常值和缺失值的影响,而且模型的训练时间短,比较适合实时性较强的预测场景。论文的研究内容主要包括三部分:首先,采用最大相关最小冗余算法(mRMR)为预测模型选择特征,该算法通过减少或消除冗余的特征来提升预测模型的性能。其次,在构建预测模型时将随机森林中的每棵回归树与密度聚类算法相结合,避免了叶子节点中的异常值对预测结果的影响,并通过实验验证了改进后的随机森林预测模型比其他模型具有更高的预测精度。最后,根据路段上下游关系,把路网结构抽象为时间依赖的交通网络图,并结合道路的旅行时间、道路等级、以及路径长度,给出一种适合该网络环境的最优路径的计算方法。