在交通拥堵问题日益严重,拥堵并发问题影响社会经济发展和人民正常生活的情况下,智能交通系统（ITS）逐渐发展并被普及应用。道路交通数据的采集和预测是ITS的基础,为交通管理、交通控制、动态诱导等应用提供支撑。在交通数据采集方式中,移动检测器由于成本低、覆盖率高等特点得到广泛应用,而网约车可以被视为移动检测器的一种,网约车的发展为道路交通数据采集和交通状态估计及预测提供了新思路。因此,本文基于网约车轨迹数据,利用先进的算法对路网交通速度进行估计和预测,旨在为道路交通速度获取提供新思路、为相关算法的研究提供理论参考。首先,应用数据挖掘、地理空间信息处理等理论与技术,建立了网约车轨迹数据处理流程,根据研究时间范围与空间区域,对轨迹数据进行时空映射得到了实验数据集。利用数理统计等理论,从实验数据集中提取出路网速度,为研究路网速度估计及预测算法提供数据支撑。其次,详细阐述了张量基础和张量分解模型等相关理论,通过对路网速度数据进行相关性分析,基于数据时空关联性对路网速度数据构建张量模式以充分利用路网速度的时空特性,为后续研究提供理论基础。再次,针对现实中网约车时空分布不均衡的现象,将路网速度估计问题转化为缺失值插补问题,引入两种基于张量的插补模型（CP＿WOPT和Tucker＿ALS）并将其应用于路网速度估计。针对现有模型精度不高的问题,提出一种基于Tucker分解的改进插补模型（TDII）,通过动量梯度下降法,以及改进目标函数以提高模型的精度和稳定性;通过提出自适应秩算法以解决张量秩选取的问题。利用实验数据从张量模式对比、不同模型对比、参数分析三个方面设计实验验证了模型的适用性和有效性。最后,为了避免一般张量分解算法中的非凸优化问题,提高预测的精度,借助贝叶斯理论,提出一种基于贝叶斯概率CP分解的单步预测模型（BPCP＿SP）用于路网速度单步预测。另外,为了使模型更贴合实际应用,引入动态张量模型,将BPCP＿SP拓展为基于动态贝叶斯概率CP分解的多步预测模型（DBPCP＿MP）用于路网速度多步预测。利用实际数据设计实验,探究预测时间段对预测结果的影响,同时对比几种先进预测模型的预测结果。结果证实,提出的算法在平衡精确度和鲁棒性的前提下,既可以用于路网速度的单步预测也可以用于多步预测,具有实际应用的意义。图47幅,表9个,参考文献89篇。