交通网络是近代社会的重要组成,随着社会的发展,交通网络已融入我们的生活。在交通网络中,车辆是人们日常生活接触最多的交通工具,车辆道路行驶状态与城市拥堵密切相关。船舶作为国际贸易最主要的运输方式,行驶时长影响贸易往来,与经济发展直接挂钩,值得对其展开研究,本文将分别从船舶交通和车辆交通两个方向进行研究。在船舶交通方向,本文研究的内容为船运到达时间ETA（Estimate Time of Arrival）预测。即船运订单抵达目的港口的时间预测。ETA通常是由船运公司预测,但精确度较差,并且ETA建模预测是一个新兴研究,如何对其进行建模就是一个难点。本文将从船运数据着手,分析船运数据的特点,使用匹配算法重构缺失数据,并对其进行数据清洗,再利用特征工程方法,构建距离、时间、经纬度、速度、方向和统计学等方面的数据作为模型预测特征,最后将特征输入到集成学习模块中进行ETA预测。本文研究了集成学习的三种方法,Bagging并行式集成,Boosting提升集成,Stacking堆叠结合集成,对应这三种不同的集成方法,本文分别使用了随机森林,梯度提升决策树,随机森林与梯度提升决策树结合这三种不同的预测模型来预测ETA,最终实验证明,Stacking堆叠结合集成方法对于船运到达时间预测效果最好,同时还通过实验证明本文的数据处理与特征构建有利于提高ETA预测准确度。在车辆交通方向,本文研究的内容为车流量预测,即道路中车辆通行速度预测。时间流数据的预测在统计学与机器学习中已十分成熟,但是交通网空间的复杂信息将车流量预测又变成值得研究的问题。研究经典车流量预测模型,本文发现每个预测模型都有其适合的数据类型,若遇到不适合的数据,预测结果将会十分糟糕。本文针对这一问题,提出了自编码特征加强（EAE-FEM）机制,通过对输入的交通流时空隐藏信息进行挖掘,再应用于经典模型,使经典模型获取其未提取到的交通信息。EAE-FEM包含三个组成部分,首先将数据输入到自动编码模块,进行中间数据的挖掘,再引入特征加强机制对中间数据进行进一步处理,最后使用双向训练的方式训练EAE-FEM机制与经典模型内的模型参数。为证实EAE-FEM机制对经典预测模型的提升效果,本文将EAE-FEM应用到五个经典模型中,在两个真实数据集中进行对比实验,最终实验证明EAE-FEM可以提升经典模型的预测效果。