旅行时间是交通任务的重要参数,也是居民出行考虑的重要因素,在智能交通系统和基于位置的服务等领域均有重要应用,准确地预测旅行时间将为城市智能交通提供更好的帮助和支持。传统的基于路线的旅行时间预测方法存在一定的局限性,它没有充分利用机器学习方法挖掘轨迹大数据的价值。本文针对此问题,开展了基于轨迹数据挖掘的旅行时间预测方法的研究。首先,本文以出租车载客行程轨迹数据提取为切入点,实现了轨迹压缩、噪声过滤以及路网匹配的轨迹数据预处理框架,并提出了一种基于局部异常因子的异常行程轨迹检测算法Tra LOF。实验证明预处理框架可以有效地完成载客行程轨迹数据的预处理,Tra LOF算法能够通过少量的行程特征检测出相同起讫点行程数据中的异常行程。其次,针对以往基于起讫点数据的旅行时间预测方法使用的数据源不丰富和单模型的片面性的缺陷,通过分析与挖掘出租车起讫点移动行为规律,本文提出了一种基于集成学习的旅行时间预测模型TTE-Ensemble。该模型基于行程起讫点数据,通过聚类与网格划分提取空间特征,结合其他多源数据特征,使用基于梯度提升决策树和深度神经网络的集成模型完成旅行时间预测任务。实验证明,在包含94万条记录的上海市和包含117万条记录的成都市起讫点数据集上,与现有方法相比,该方法的旅行时间预测准确率有了明显的提升。最后,针对轨迹数据存在复杂的时空关联的特点,本文提出了基于轨迹数据特征提取与时空多目标学习的旅行时间预测模型Tra2Time。该模型使用多头自注意力机制提取轨迹数据序列全局相关特征,利用双向长短时记忆网络提取轨迹数据序列的顺序特征,最后结合时空多目标学习框架,训练旅行时间预测模型。实验证明,在包含120万条记录的成都市轨迹数据集上,该方法能有效地提取影响旅行时间的时空特征,相比其他现有方法,准确率有进一步的提升。