近年来,随着位置获取技术的发展,每天可以收集大量的轨迹数据,对轨迹数据进行挖掘有利于我们了解城市复杂的交通系统。作为轨迹数据挖掘的一项任务,行驶时间预测可以应用在许多基于位置的服务中,例如车辆调度,路线规划等。然而,实现准确的时间预测仍然面临许多挑战:一方面,行驶时间受许多动态因素的影响,例如道路上的交通状况变化,复杂的交通系统,出发时间的不同、天气状况以及多样化的驾驶行为;另一方面,轨迹数据中的有效信息,例如地理位置的空间相关性,轨迹点序列之间的前后时间依赖性,需要得到充分利用。但是目前行驶时间预测方法忽略了路况和行驶时间之间的内在关联,而且没有充分利用已知的路况信息作为标签对路况推测的监督学习作用,从而在一定程度上会降低时间预测的准确性;此外,现有方法均未考虑在日常生活中常见的混合多种出行模式路径的时间预测问题。针对以上问题,本文对行驶时间预测进行了深入研究,主要内容如下:（1）针对道路交通路况对行驶时间的影响,本文构建了路况感知多任务学习的预测模型,使用融合了路况预测和时间预测的多任务框架,进行联合学习训练,将路况预测的增强表示结果融入到时间预测任务中,提升预测效果。（2）针对给定出行模式的行驶路径的时间预测,本文构建了出行模式感知多任务学习的预测模型,使用多任务框架构建复合多种出行模式的路径和单一出行模式的子路径的时间预测任务,充分利用历史数据中时间标签训练优化模型。（3）针对部分历史轨迹没有标记出行模式的数据稀疏问题,本文构建了基于多任务半监督学习的预测模型,联合模式分类任务与时间预测任务,将模式分类任务里学习到的出行模式相关特征融入时间预测任务中,联合学习训练。本文在真实数据集上进行了实验,结果显示本文的方法在行驶时间预测问题上有较好的表现。