行程时间是反映交通运行状态的关键指标,不论对于交通管理者还是交通参与者而言,这一指标都非常直观易懂,其在智能交通系统中也是重要的基础数据,实时、准确、高效的行程时间估计结果具有很强的实用价值。各种数据采集技术的发展使得交通相关的数据资源越来越丰富,但是由于城市交通系统的复杂性,所得到的信息仍然是样本数据而非全集。现有的行程时间估计方法关注各个独立路段或子路径的行程时间,通过加和获得目标路径的行程时间,缺乏对目标路径的整体考虑,这类方法得到的结果并不可靠。针对上述问题本文对行程时间的估计方法进行了研究。首先,本文总结分析了行程时间估计相关的现有研究成果,指出现有研究的优点和待解决的问题。其次,对车辆轨迹数据进行基本清洗并通过坐标纠偏和地图匹配完成数据预处理提取有效信息,加入气象数据和兴趣点数据丰富数据的维度。随后分析轨迹数据和行程时间之间的联系。在此基础上,采用张量的形式对多维时空数据进行融合,张量分解技术实现稀疏数据的补全,针对行程时间估计中轨迹数量和轨迹长度两者之间的矛盾提出了最优路径切分模型,实现基于路段的行程时间预测。针对不同的使用场景,在极端稀疏数据下没有具体路线信息时,考虑相邻轨迹间联系对相邻轨迹的行程时间变化作出分析,构建相邻轨迹下的长短期记忆网络模型,实现计算效率更高的基于相邻轨迹的行程时间估计。最后,在成都市真实数据集上对本文提出的方法进行验证,对比了两种方法在不同条件下的差异。与其他模型相比本文方法的结果优势明显,可以为出行路线选择和通勤效率评价提供可靠的参考依据。