物流是一个国家工业运转的重要基础之一。无论是实现物流配送相关环节高效地相互协调,还是降低货物库存积压的时间,都离不开对物流在途时间的准确掌控。因此,建立高效的物流管理机制需要准确的物流在途时间预测。目前学术界专门针对物流在途时间预测的相关研究比较少。虽然大多数现有行程预测模型的研究目的和应用场景与物流在途时间预测的研究目的和应用场景存在一定的差异,但是行程时间预测和物流在途时间预测仍然具有诸多相似之处,因此现有行程时间预测的方法和理论对研究物流在途时间预测有许多值得借鉴的地方。本文以行程时间预测相关理论、算法及模型为基础来对物流在途时间预测进行研究。具体研究内容如下:(1)对物流在途时间预测和行程时间预测的研究场景进行分析和比较,并对当前国内外行程时间预测相关理论和模型的现状进行研究。(2)使用车载定位设备和相关网络技术对配送车辆在运输线路中的行驶状态进行跟踪和记录,并针对原始数据中存在的数据冗余、数据缺失及异常数据等问题,对原始数据进行数据清洗。(3)提出一种运输车辆行驶状态矩阵模型VDSM。通过有效的结合矩阵的空间结构特征与物流运输车辆行驶状态的时空相关性,该模型能够直观的同时从时间维度和空间维度对物流运输车辆在线路中的行驶状态进行建模。在运输车辆行驶状态矩阵VDSM的基础上,提出一种基于VDSM的物流在途时间预测模型。并在实验部分将该算法模型与多个现有的行程时间预测模型进行对比,实验结果表明该算法模型预测效果不仅能与现有的模型相媲美,且在部分线路中其预测效果明显优于其他模型,因此该模型可以有效的对物流在途时间进行预测。(4)提出一种基于VDSM的物流在途时间预测模型和长短期记忆网络模型的物流在途时间预测组合模型VDSM-LSTM,并通过真实数据的将该组合模型与标准长短期记忆网络模型、指数平滑模型和自回归积分滑动平均模型进行对比预测。实验结果表明,与单一的模型相比本文提出的组合预测模型的预测误差更小而且模型的稳定性更高。(5)本文通过分析现有行程时间预测模型的研究场景与物流在途时间预测的研究场景,发现大多数的行程时间预测所研究的线路比较单一,而企业的物流运输线路分布的范围更广,路线的复杂性也更高。单一模型难以同时准确的对包含多种复杂场景物流运输线路建模。针对这一特点本文采用分而治之的策略来对复杂场景下的物流在途时间进行预测。