智能交通系统是为了实现减少交通事故、降低环境污染、提高系统运行效率的目标而创建起来的一个稳定、安全、快速、便捷、环保的综合交通运输体系。它利用多媒体、无线通信、自动控制、信息处理等技术,在已有的交通基础设施之上,加强交通运输工具、外接电子设备和出行者之间的联系,从而实现上述目标。智能交通系统可以高效地管理交通系统、充分发挥现有交通设施的作用和最大可能地优化道路交通流,进而缓解拥堵。行程时间预测是智能交通系统的关键技术之一,是许多其他交通应用的基础和前提,同时准确的行程时间预测结果也能为交通部门制定管理政策和调控方法提供依据。针对当前复杂城市道路网络条件下的行程时间预测所面临的关键技术难点,本文基于浮动车数据,对行程时间预测方法展开了深入研究,主要研究内容及成果如下:1.针对当前电子地图无法反映城市交通特性的问题,提出了一种基于双线道路模型的电子地图。本文根据城市交通对各个方向道路禁行的要求和能对一些特殊道路(如环岛,立交桥)的通行规则进行表征的需求,构建了双线道路模型。该模型能对城市道路任意方向的道路进行禁行而不对其他方向道路的通行造成影响。同时,该模型也能很好地反映特殊道路(如环岛,立交桥)的通行规则。2.针对现有地图匹配算法的实时性和鲁棒性较差的问题,提出了一种基于计算几何的地图匹配算法。该算法利用计算几何中判断线段是否与多边形相交的方法来确定候选路段。在确定匹配路段时,该算法为每条候选路段构建置信区域,并结合历史信息给出匹配路段。3.针对现有浮动车数据中存在的严重时空缺失问题,提出了一种基于主成分分析(Priciple Component Analysis,PCA)的交通信息补偿算法。首先,利用车辆跟踪算法对原始的浮动车数据进行处理得到初始速度矩阵。然后,根据城市道路网络中不同路段之间的时空限制来构建评价函数。最后,利用主成分分析算法充分挖掘速度矩阵中不同道路和不同时间段的数据之间的联系,并迭代对速度矩阵中的元素进行补偿,使得评价函数达到最优。4.针对当前行程时间预测所面临的难点,提出了一种基于粒子滤波的行程时间估计算法。首先,对所有粒子进行初始化并转换成历史交通数据的某一时段所对应的交通模式,每个粒子对应的天数和时刻数随机生成。接着,与常用方法使用状态转移函数来反映交通趋势不同,该算法使用大量带有权重的粒子来对历史数据中的交通趋势进行建模。而且当有新的观测值到来时,每个粒子的权重都会得到更新。该权重用以反映该粒子所对应的交通模式和当前交通模式之间的相似程度。然后,为了解决传统粒子滤波存在的退化问题,该算法对所有权值较低的粒子进行重要性重采样,从而历史数据中与当前交通模式高度相似的数据能够被这些无效的粒子所使用。最后,所有粒子的加权平均值被作为行程时间的估计结果。5.针对城市交通环境的复杂性对行程时间所造成的困难,提出了一种基于深度学习的行程时间预测算法。首先,对输入数据进行相关性分析,分别确定历史数据的最优输入长度和最优的道路特征集合。接着,利用深度学习中的栈式自动编码器分别使用历史交通数据和道路特征作为输入对行程时间进行预测。最后,使用深度信念网络作为数据融合模型对上述预测结果进行融合并得到最终的预测结果。