近年来,我国社会经济飞速发展,在城市化进程加快的同时,城市人口和车辆也急剧增加,由此导致的交通拥堵问题也越发严重。为了全面提升交通运输效率,缓解交通拥堵所带来的各种影响,城市道路级交通路况的精准预测显得尤为重要。目前,大规模轨迹数据被企业采集并持久化存储,这些数据不但刻画了交通网络的实时状态,更蕴含着路况演化的模式规律,这为交通路况分析提供了前所未有的机遇。对此,本文主要研究了以轨迹数据为驱动的交通路况预测技术,希望能够借助轨迹数据,对整个城市的道路级交通路况做出精准预测。城市道路级的交通路况预测不仅需要考虑时间上的变化模式,更需要关注在路网空间上的演化模式。同时交通路况数据往往还带有周期性规律,并且容易受外界环境如天气、节假日等因素的影响。这些复杂的规律和模式不能被简单规则所描述,也难以被传统的方法所刻画。而深度学习对复杂的事物具有高度的表征刻画能力,但是现有方法往往忽略了路网结构以及其他因素带来的潜在影响。针对交通路况的复杂多变,本文构建了一种新的深度网络模型。该模型同时考虑时空变化和城市路网的拓扑结构,通过路网内嵌的方式来学习近期内的时空演化特征,并且依靠周期性特征和环境特征来纠正预测。此外,针对交通路况各个变量之间潜在的关联关系,通过引入多任务学习的机制来同时学习多个变量。该方式不仅利用了相关变量的信息,而且可以提高模型的泛化表征能力,使得在城市道路级的交通路况预测问题上的准确度进一步提高。本文在两个真实数据集上对所提模型进行实验验证,结果表明了该方法在城市道路级交通路况预测问题上具有较好的效果。该研究成果对基于路况预测的交通应用具有一定的帮助,并对相关的研究工作具有一定的参考价值。同时本文在此基础上实现了轨迹数据驱动的交通路况预测系统。