随着车辆持有量不断攀升,城市道路拥堵情况越发普遍。基于海量交通数据,构建智能交通系统,改善城市交通状况是当下亟需解决的问题。到达时间预测作为智能交通系统重要的基础性任务,其准确性对智能交通系统的发展至关重要。然而,在实际使用中,一方面现有的到达时间预测方法准确性不足,另一方面模型安全问题(如对抗样本)也对到达时间预测带来干扰。为了更好的满足实际使用需求,本文针对交通模式和轨迹时空数据类型的特点进行了以下三个方面的研究:1)提出了基于最近相邻路段的路径已知到达时间预测。首先将整个轨迹划分为多条不相交的路段,利用时间粒度上近似的历史轨迹数据来捕获每条路段的特征,然后结合路网拓扑结构提取最近相邻路段的轨迹数据,使用速度特征作为辅助信息来缓减数据稀疏问题。实验表明,该方法能够有效的提高路径已知到达时间预测结果的准确性。2)提出了对抗迁移的路径未知到达时间预测。针对路径未知方法中可用特征表示不足,无法准确进行时间预测问题。利用路径已知方法中含有的完整轨迹信息,结合三种不同时空特征组合获取的丰富特征表示,通过对抗迁移训练实现路径未知方法中数据特征的增强。实验表明,该方法能够显著提升路径未知的到达时间预测性能。3)利用对抗样本攻击到达时间预测。根据已有的对抗样本生成方法,来对到达时间预测模型的鲁棒性进行检验。首先使用白盒的方式利用模型梯度信息生成对抗样本进行模型攻击,然后使用黑盒的方式对样本数据内容修改后进行攻击。实验表明,这两种方法都能够使模型的泛化能力大大降低。