随着经济与科学技术的快速发展,我国高速公路以及国省干道的建设和改造持续加快,公路网里程与密度逐步扩张。沿路联网的收费系统、车道感应线圈、摄像头等信息采集设备积累了海量数据。与此同时,作为智慧交通系统的一个重要环节,如何建模交通出行模型并利用大数据挖掘技术对轨迹数据进行深层次地挖掘,实现对高速公路用户出行行为的准确预测,对交通管理决策、用户出行个性化服务、缓解交通拥堵、道路规划等均具有重要意义。本文基于高速公路出行数据,对用户出行行为进行预测,主要研究内容如下:(1)用户出行行为模式挖掘。面向高速公路信息采集设备产生的海量出行数据,利用大数据处理技术对用户出行模式进行建模分析,实现用户常驻地推测和位置语义增强建模,以丰富稀疏位置的属性信息,设计出行目的推断算法以完成对用户出行模式的深入挖掘。(2)用户出行次数预测。将用户出行次数预测问题作为回归问题,通过用户表示模块、出行模式表示模块等进行特征建模,提出了一种基于长短期记忆网络的用户个性化时空预测模型(STU-LSTM),实现对用户出行次数的预测。(3)用户出行起始点(OD)预测。将用户出行OD预测问题作为分类问题,构建时空表示模块、用户出行模式表示模块,提出了一种融入分值的用户个性化的时空注意力预测模型(STUASM),实现对用户出行OD的预测。在真实的高速公路出行数据上进行了实验。实验结果表明,本文提出的用户出行行为模式挖掘的建模方法,包括出行偏好和出行目的的分析,有助于理解用户的出行模式;STU-LSTM模型针对高速公路用户单源时序序列预测问题,提出的个性化表示学习模块以及基于LSTM的网络设计,在挖掘序列中隐藏的时序序列信息方面具有一定的优势;STUASM模型在用户出行OD预测中,提出的时空表示模块能够充分建模序列的时空信息,设计的用户出行模式表示模块能够挖掘出用户个性化的动态模式,引入的注意力机制能够捕获时空序列的关联性,强化的位置语义表示对于提高模型的预测结果有显著性提升,其实验结果明显优于其他现有模型。