随着国家快速推进城镇化进程、地方政府大量出台吸引人才政策,城市人口数量及机动车保有量累年增高,而城市道路建设里程的增长却远远滞后,导致交通供需矛盾日益凸显,从而造成交通拥堵加剧。而交通拥堵的直接表现,就在于不同等级道路的行程速度过低,所以道路的平均行程速度与交通拥堵密切相关,故而从城市级别来探究平均行车速度的时空分布特征及影响因素,并对其进行预测就显得十分必要。由于利用传统测量方式很难获取整个城市道路网的平均行程速度数据,随着科技的不断积累,智能手机导航、互联网等科技公司的发展日新月异,产生了大量有价值的数据以及较为先进的数据采集手段,使得从城市级别研究道路平均行程速度成为了可能。本文首先利用Python语言,通过设计编程调用高德地图API接口,从而获取了西安市绕城高速内254条道路每5min一次,共4周的平均行程速度海量数据;然后利用聚类分析,将采集的数据分为正常的工作日、休息日及节假日三种类别,通过Arcgis10.5进行可视化表达,并借助相关系数、傅里叶快速变换FFT、相似系数、趋势分析、莫兰指数Moran’s I、热点分析等多种方法,分析了道路平均行程速度在三种类别下,不同的时间和空间尺度下的分布特征及数据特性。然后,结合商圈分布、不同的限行条件、各街道人口密度、路网密度、雨雪不良天气及地铁开通前后等各种辅助数据,分析了不同的外部因素对路段行程速度的影响程度和显著水平;最后,从时间和空间维度,提出将K近邻预测模型的时间状态向量改进为同时考虑时间与空间的时空状态矩阵,并提出使用指数加权时间权重和高斯加权空间权重等措施,对K近邻预测模型进行改进。结果表明:平均行程速度数据具有相似性、周期性、时空相关性及空间不平稳性;在时间上晚高峰期间平均行程速度最低,空间上行程速度TTI指数较高的路段集中在快速路和主干路、交通转换节点及人口聚集较高的区域,且在工作日早晚高峰期间呈现出明显的移动特征;商圈分布、不同的限行条件、街道人口密度、路网密度、雨雪不良天气对道路平均行程速度有不同程度的影响,地铁开通对沿线道路的平均行程速度无显著性影响;通过对比改进前后的模型,表明了改进后的K近邻预测模型简单有效。