智慧化城市进程的加快对智慧出行的转型与发展提出了新的要求,而大数据时代的到来促进了出行数据的开放共享,为智慧出行研究提供了强大的数据支撑。作为智慧出行领域的一个重要组成部分,精准的行程时间预测至关重要且一直以来都是交通出行领域研究的热点问题。现有的相关研究模型都属于被动式的统计模型,即通过统计真实历史数据特征规律被动的实现未来的预测,未来出行需求信息不足限制了模型的性能,导致此类模型不能一直保持预测的准确度。基于此,本文提出一种基于出行计划数据的深度神经网络模型,该模型能够主动捕捉道路的未来需求信息,实现利用未来的计划交通量数据来“推断”未来的出行时间。具体的,我们通过收集用户出行前在导航上发布的出行计划信息并将其转换为未来等量的计划交通量数据,大数据时代提倡的数据开放共享理念为完全的出行计划信息获取提供了较高可能性,该数据将作为未来计划数据与对应的历史数据一起被用于模型输入;我们构建基于张量网络的特征输入矩阵,并设计不同的残差卷积模块分别从矩阵的时间与空间维度提取时间相关性与空间依赖性;最后我们引入门控循环网络,把提取到的历史时刻与未来时刻时空特征矩阵分别作为前一时刻隐藏层状态以及未来时刻输入层状态输入,进而实现考虑出行计划数据的未来行程时间预测研究。基于以上研究理念,本课题主要研究工作如下:（1）提出了一种基于出行计划的路段未来计划交通量估计算法,该算法能够把从轨迹数据中提取到的出行计划信息转换为未来时刻等量的计划交通量信息,实验验证该算法的准确性并分析未来计划交通量信息用于行程时间预测的可行性。（2）提出了一种考虑未来计划数据的深度神经网络模型用于行程时间预测。该模型包括特征输入、特征学习与行程时间预测三个模块,首先在特征输入模块中构建两个基于张量网络的特征输入矩阵以分别表示未来计划数据以及历史数据;在特征学习模块中引入残差网络分别设计不同的残差卷积模块以学习两个输入张量的时间与空间维度特征;预测模块中引入GRU网络将学习到的历史特征作为过去时刻隐藏层状态输入,学习到的未来计划特征作为未来时刻需要预测的序列输入以实现考虑未来计划特征的行程时间预测。（3）使用滴滴数据共享平台公布的成都市路网轨迹数据为实验数据,通过大量实验验证模型性能:分别设置多个历史数据输入时长以及未来计划数据预测时长,训练并验证模型的精确性与稳定性;考虑多种交通状态,在测试集的基础上额外划分常发性拥堵数据集和偶发性拥堵数据集,通过与其他基准模型在三种交通状态下的性能对比验证模型的总体性能以及在预测拥堵方面的前瞻性;最后与相同结构却未考虑出行计划数据的模型对比以证明出行计划数据为模型带来的额外性能。实验结果证明,相比于传统的基于历史数据的行程时间预测模型,本文提出的考虑出行计划数据的神经网络模型在多个交通状态下的表现都要优于其他基准模型,尤其是在预测偶发性拥堵方面模型性能有了显著提升。