交通速度的监测是智能交通系统的重要组成部分,是后续进行交通信息发布、交通管理与控制、交通排放、交通安全管理等问题的基础。为此,对路网范围内的交通速度监测十分必要。但现有的监测设备如环形检测器、摄像头等覆盖范围较局限,且成本高、灵活性较差,难以做到完全的时空覆盖。基于出租车的交通状态监测方法具有覆盖范围广、成本低、易获取等特性,使得从路网范围内获取交通状态成为可能。但由于某些路段在时间或者空间上未有或较少有出租车经过,该路段的交通速度将缺失。为了获取路网范围内交通速度的完全时空覆盖,有必要对缺失路段的交通速度进行推断,补全缺失的交通速度。本文旨在基于出租车GPS数据并结合多维度数据,利用机器学习算法对路网范围内缺失的交通速度进行推断。为此本文分析了天气对交通速度的影响、POI与交通速度与之间的相关性、交通速度的时空特性,以作为后文交通速度推断建模的基础。通过特征提取将天气特征进行K-均值特征化、POI数据进行离散化,使之适合于机器学习算法,并利用随机森林对特征重要性进行排序,得到了不同特征的重要性排序。并研究了不同特征组合对随机森林算法表现的影响,并以此为基础对特征进行特征选择。最后,利用三种集成机器学习算法:随机森林、GBDT、XGboost对路网范围内缺失的交通速度进行推断。并观察不同缺失率、不同样本量、不同时间间隔、不同连续缺失率、不同空间随机缺失率下,三种算法的表现。结果表明,输入的多维度数据将提升算法表现,表明了交通速度推断建模时考虑多维度数据的可行性及有效性。在特征重要性中,最为重要的是路网特征、其次是时间特征、空间特征、POI特征,最后为天气特征。机器学习的三种算法在不同缺失率下表现均较好,具有一定的稳定性。较大的样本量将提高三种机器学习算法的表现。相较于较小时间间隔的交通速度,三种模型在较大时间间隔的表现更好。