随着城市交通拥堵的加剧,为道路使用者和交通管理者提供实时准确的交通信息已成为智能交通系统面临的关键挑战之一。而相较于其他交通参数,行程时间可以更为直观地反映道路的真实交通状态,包括交通拥堵和特殊事件的发生,因此行程时间研究已成为现代及未来交通科学与工程领域的重要内容。而城市道路作为开放性交通网络,车辆会受到随机性延误、交通信号控制、交通需求波动等多种不确定性因素的影响,道路交通流呈现间断流分布特性,行程时间分布的随机性和内在不确定性较强。因此,本文基于车牌识别数据对城市道路间断流行程时间进行研究,主要研究内容如下:(1)结合实际情况分析原始数据中存在的问题和错误,提出一套完整的数据预处理流程和质量分析方法。同时介绍通过车牌匹配获取路段行程时间的基本流程,并针对原始行程时间数据集进行必要的先验性分析和预清洗工作,为后续行程时间估计和短时预测研究提供完整可靠的基础数据集。(2)对城市道路间断流的行程时间特性进行分析,提出一个可以适用于不同交通状态的行程时间估计算法。算法可根据不同的行驶特征将车流划分为无信号延误分量、信号延误分量和短时活动分量,并通过对不同时段、不同行驶状态的车辆特征进行分析,发现短时活动车辆是导致道路交通拥堵的重要原因,剔除短时活动车辆产生的噪声数据才能获取准确的行程时间数据集。(3)对交通流数据的时空相关性进行分析,创新性地引入相对速度标准差作为特征向量的一部分,并根据不同交通状态使用高斯混合模型对历史数据库进行精细化切分,为行程时间短时预测提供数据支撑。(4)同时使用四种机器学习算法对行程时间进行对比预测,验证了支持向量机对于有限样本集预测的鲁棒性。最后针对时间序列预测中普遍存在的预测滞后和状态捕捉能力不足的缺点,提出经验模态分解进行误差校正,以优化模型预测结果。