作为描述道路交通状态的一项重要参数,行程时间的相关研究一直以来都是交通工程与交通科学领域的研究热点。准确、实时且可靠的行程时间信息,包括路段行程时间和路径行程时间,是先进的交通管理系统和先进的出行者信息系统的重要支撑。然而交通需求的波动性(如受季节效应、人口特征、交通信息等的影响)、交通供给的波动性(如受交通事件、道路施工、天气因素、道路集合条件等的影响)以及信号控制交叉口车辆到达和离开的随机性,导致城市道路路段行程时间在时间上、空间上以及不同方向上都具有较大的不确定性。因此,对于传统的基于交通流模型的路段行程时间估计方法,其行程时间估计结果误差较大,难以反应实际道路交通状态。随着交通信息采集技术和处理技术的快速发展,交通数据在传统的环形感应线圈数据、微波雷达数据、红外数据的基础上,出现了浮动车数据、自动车辆识别数据、自动车牌识别数据和蓝牙数据等新型交通数据。其中基于高清智能卡口的自动车牌识别数据包含有通过车辆的车牌号、通过时刻、进口方向和进口道编号等数据,继而可以获得流量、单车行程时间及单车行驶方向等信息,而且高清智能卡口系统的布设日益广泛。因此,本文利用基于高清智能卡口的自动车牌识别数据对城市道路路段行程时间以及路径行程时间进行研究。首先对基于高清智能卡口的自动车牌识别数据进行数据质量分析:介绍了高清卡口智能系统的工作原理、布设位置、检测数据以及系统性能指标,在此基础上展开了断面数据质量分析(包括流量精度和自动车牌识别精度)和路段行程时间数据质量分析。将封闭路段作为研究对象,通过分析路段行程时间估计结果(包括路段行程时间估计值和标准差的波动性)与路段行程时间样本率的变化关系,发现样本率越大,路段行程时间估计值的平均绝对百分误差越小,标准差的波动性越小;当样本率大于0.414时,基于样本数据的路段行程时间参数满足精度及稳定性要求,继而确定了路段行程时间的样本率阈值。将非封闭路段作为研究对象,考虑路段开口,计算路段行程时间的实际匹配率,对其时空变化特征和显著性差异进行分析。实际数据表明天气良好时,行程时间的实际匹配率与观测路段及观测日期无关,该值稳定且均大于最小样本率0.414;行程时间的实际匹配率与观测时段有关,20:00～6:00时段内行程时间的实际匹配率相对于一天内其它时段低,但仍大于最小样本率;最终确定了天气良好时高清智能卡口数据用于估计城市道路路段行程时间的可行性。其次,考虑交通流的不同方向,对路段行程时间进行估计:根据交通流在上游交叉口的驶入方向和在下游交叉口的驶离方向,将路段交通流分为9种。受交通需求/供给的波动性以及信号控制交叉口车辆到达和离开的随机性等原因影响,同一路段上不同方向交通流的路段行程时间可能会有所不同,利用实际采集的自动车牌识别数据,对同一路段上不同方向交通流的路段行程时间进行了一系列对比分析,验证了显著性差异的存在;并融合行程时间回归模型,提出了基于交通流方向的路段行程时间估计方法,实现了部分交通流数据缺失时的行程时间估计;通过实际数据分析,验证了估计方法能够有效地处理噪声数据,并且在数据缺失时,估计结果能够较为准确地反映实际交通状态。最后,基于路径行程时间信息的分类和融合,提出了路径行程时间分布的估计方法:根据路段交通流的定义对路径进行重新定义,并进行观测数据提取,实现部分无代表性数据的剔除;利用车辆行驶方向等信息对其路线进行判别,而路线缺口较大的车辆,对其路线进行拆分而非直接判别;在路线判别的基础上,对部分路径行程时间进行扩大,同样忽略路径缺口较大的车辆;根据行程时间的计算方式以及是否完整,将所有路径下行程时间分为两大类,完整的路径行程时间(TTC)和部分路径行程时间(TTP);不同类别的行程时间处理方法不同,当TTC比例较高时,将其经验分布(TTCD)作为路径行程时间分布的估计结果,当TTC比例较低时,利用霍普金斯统计量寻找实验路径上的断点交叉口,将各断点之间部分路径的行程时间分布的卷积作为基于TTP数据的行程时间分布(TTPD),并将TTC数据与基于TTP数据的行程时间分布TTPD进行融合,得到路径行程时间分布的估计结果;并利用实际路网和仿真环境下的256个实例,进行了不同算法路径行程时间估计结果误差分析、识别精度的影响分析、参数mr的影响分析、路径属性的影响分析以及路径行程时间估计结果分析,对本文路径行程时间分布估计模型进行了全面的评价,验证了估计方法较其它方法的有效性。