路径导航与规划作为智能交通的重要组成部分,在我们的日常生活中发挥着重要的作用。近年来,“一视同仁”的导航服务以及频繁发生的交通拥堵,使得学者们十分关注如何升导航服务质量的问题。本文选题个性化导航,以及行程时间预测研究,具有重要的理论意义和实践价值。个性化导航的关键问题是用户偏好的表达和使用,现有方法大多通过偏好向量来表示用户偏好,求偏好向量的方法,有通过线性拟合的方法,也有通过分布拟合的方法。本文基于混合高斯分布建模用户偏好的方法,出了一种改进的个性化推荐方法,引入了转向开销,更细致地刻画了用户的偏好;为了降低偶然因素影响,本文还引入了频繁度过滤机制,升了推荐效果。对于规划好的路线,精准的行程时间预测至关重要。本文改进了基于相似轨迹的KNN预测算法,在相似轨迹检索时不仅考虑了起点终点完全一致的轨迹,也考虑了穿过起点和终点的轨迹,同时为了高算法预测精度,除了时间序列特征外,还考虑了其他外部因素,高了算法预测准确度。基于相似轨迹的KNN预测算法的前是历史轨迹丰富且建模开销较大,为解决“冷启动”问题,以及复杂城市路网中任意路径预测问题,本文还出了一种基于集成学习的预测方法,除了考虑行程的一般特性外,还考虑了路段交汇点个数,转向个数等特征,并采用集成学习模型对城市中的任意路径时间进行预测,取得了不错预测效果。本文在对成都市轨迹数据进行了轨迹恢复、轨迹分割、异常点去除以及地图匹配等预处理工作后,设计了系列实验来验证上述方法的效果。首先将改进的个性化导航方法与对比方法进行对照实验,结果表明改进后的方法推荐效果好于对比方法;接着,对基于历史轨迹的KNN预测算法改进前后效果进行了对比实验,发现检索效果以及预测精度都有所升;最后,对基于集成学习的预测方法与基于路段的预测方法以及基于子路径的预测方法进行了对比实验,结果表明本文的基于集成学习的预测方法的预测效果优于对比方法。