行程时间预测对用户提前获取交通状态,并根据交通状态提前规划,提高出行质量具有重要意义。随着深度学习理论在图像分类、语音识别、机器翻译以及文本理解等方面的成功应用,为深度学习理论在交通领域内的推广成为了可能,为浮动车轨迹数据基于深度神经网络模型实现行程时间预测提供了新的解决方案。因此,本文在解决数据缺失情况下路段行程时间估计问题的基础上,从浮动车轨迹大数据中提取交通特征,基于TensorFlow平台设计了多种深度学习模型,分别从路段行程时间预测、基于时空关联的路段行程时间预测以及长时预测三个方面展开深入研究。具体研究工作及成果包括以下几个方面:（1）针对浮动车轨迹数据缺失性问题,研究了数据缺失情况下的路段行程时间估计方法通过分析路段交通在时间和空间上的相关性,从浮动车历史轨迹大数据提取目标路段与邻接路段间交通的时空关联关系特征,提出了一种基于时空关联的路段行程时间估计方法;通过衡量路段属性信息和空间结构信息的相似性,提出了一种基于路网相似性的路段行程时间估计方法。从时空关联性和路网相似性两个方面研究数据缺失情况下的路段行程时间估计方法,最后,实验验证了所提方法的有效性。（2）将深度学习理论引入行程时间预测领域,提出了基于深度神经网络模型的路段行程时间预测方法本文通过分析路段交通特征存在的时间相关性,设计了反映交通特征的时间横向量、时段纵向量以及周期向量,提出了基于深度神经网络模型的路段行程时间预测方法:分别利用构造的时间特征矩阵、时段特征矩阵、周期特征矩阵以及融合特征矩阵设计不同的深度自编码神经网络模型,深度LSTM神经网络模型以及深度卷积神经网络模型,并研究了编码层数、LSTM层数以及卷积层数对模型精度的影响;最后,利用实际交通数据验证了模型的有效性,实验结果表明,在三种深度模型中,深度LSTM神经网络模型具有最好的预测精度。（3）将路网间的拓扑关系考虑到路段交通特征中,提取路段交通时空特征,提出了基于时空关联的路段行程时间预测方法利用空间邻接矩阵表达时空关联关系,通过分析路段交通特征的时空相关性,设计了反映路段交通特征的时空特征向量,包括时空横向量、时空纵向量、时空周期向量,利用时空融合特征向量构造的矩阵,研究基于深度自编码神经网络模型、深度LSTM神经网络模型以及深度卷积神经网络模型的预测方法;最后,基于实际交通数据验证了模型的有效性。（4）针对行程时间长时预测与短时预测的不同,提出了基于深度神经网络模型的行程时间长时预测方法通过分析时空横向量具有相关性的最大滞后时间与预测时段数之间的关系,设计了适合长时预测的时空融合向量,在此基础上,研究了基于深度自编码神经网络、深度LSTM神经网络以及深度卷积神经网络模型的长时预测方法。最后,基于实际交通数据验证了模型对长时预测的有效性。