出行时间可靠度（Travel time reliability,TTR）是交通领域研究出行行为的一个重要指标,它的准确量化对掌握交通时空特征具有重要的意义。在将网约车大体量GPS数据运用到TTR预测时,传统的路段划分方法存在无法准确计量交叉口延误时间的弊端,基于此,本文应用了充分考虑交叉口各个方向延误,适用于大体量GPS数据的虚拟路段划分方法,并建立了基于虚拟路段和Vine Copula多元联合分布的路径出行时间可靠度模型,旨在打破采用二元Copula模型对多路段路径两两路段分析的局限性,充分考虑路段出行时间的相关性和分布的异质性,提高模型的精度与普适性。在数据处理时,为了保证同一OD间具有足够数量的出行量,提高模型精度,本文提出了基于Geohash的轨迹聚类方法,先快速定位OD分区再进行聚类,极大地减少了直接采用聚类算法计算的复杂性,提升了大批量的GPS数据聚类速率。基于2016年11月成都市二环内的滴滴快车数据,本文分析了不同时段的OD点空间分布特征,提取出两条不同种类的热点OD路径用于后续分析。在模型构建方面,本文同时考虑了交叉口各个方向的延误和路段之间的相关性,在虚拟路段构建的基础上,基于同一时间各个路段出行时间分布的异质性假设,采用Vine Copula模型来描述连续路段出行时间之间的非线性相关性,从而完成路径出行时间可靠度模型的构建。进而,对于本文提出的虚拟路段的出行时间特征,根据交叉口种类及有无红绿灯等标准对虚拟路段分不同种类不同时段,采用GMM模型对其出行时间分布进行拟合,并利用相应的拟合参数检验方法进行拟合检验。同时分析其分布的影响因素。为了验证模型的适用性,以前文选取的两条热点OD路径为例进行案例分析。在路径出行时间可靠性建模实例验证时,发现相对于基于实际路段的独立卷积模型和其他Vine Copula模型,考虑相关性的基于虚拟路段的R-Vine Gaussian Copula模型预测结果更接近经验值。本文通过考虑交叉口延误和路段相关性,构建了基于虚拟路段和Vine Copula多元联合分布的路段出行时间可靠度模型,并验证了其在网约车GPS数据上的精度与普适性,为充分利用GPS数据预测路径TTR提供了新的思路与理论基础。