近年来,中国经济发展迅速,城市现代化水平不断加深。然而,交通车辆保有量的急剧增加给城市交通运行带来了巨大的压力。出租车、公交车等公共交通工具的精准时间预测,不但能够利于人们对行程进行合理规划,节约时间,而且能缓解交通拥堵现象,避免人力、能源等浪费,进而给城市的规划建设提供重要参考。交通车辆通行时间预测研究已经成为智能交通领域的热点问题之一。然而,传统的研究方法无法充分提取各轨迹路径之间的时空特性,并且忽略了天气、日期等其他外部属性的影响,因而未达到精准的时间预测效果。因此,本文以精准的预测交通车辆通行时间为出发点,提出了两种分别针对出租车及公交车的通行时间预测模型。模型利用深度学习技术充分挖掘交通轨迹数据之间深层次的时空特征,并对时空依赖特性进行建模分析。此外,充分考虑了天气等因素的影响。本文研究的主要内容及创新点如下:（1）同时考虑人们乘坐出租车时的打车等待时间以及坐车时间,提出了一种基于端到端训练的出租车通行时间预测模型。首先,通过充分考虑出租车的载客状态,对获取的出租车GPS点数据进行清洗与处理,匹配成车辆由空载状态到载客状态的行驶轨迹。模型主要由外部因素机制、时空卷积机制以及多任务学习机制三部分组成。该模型使用卷积神经网络与时间卷积网络相结合的方式来提取子路径的空间特征和时间特征,在多任务学习机制部分使用子路径预测与整体路径相结合的方式来规避误差累积与数据稀疏性的影响。（2）提出了一种基于多源数据的公交车通行时间预测模型。该模型以出租车通行时间预测模型为基础,使用混合数据集来进行公交车通行时间预测,充分考虑了汽车、公交车以及摩托车混合轨迹之间的相关性以及轨迹路径之间的时空特征。此外,模型使用空洞卷积与门控循环单元的方式来提取子路径之间的时间相关性,通过各组件对特征的融合处理,实现对通行时间的精准预测。本文在真实数据集上做了大量的对比仿真实验,证明了文中提出的模型与现有的模型相比,在平均绝对误差、均方根误差、平均绝对百分比误差评价指标下,降低了误差,提高了预测的准确性。因此我们的模型能更好的用于解决交通通行时间预测问题。此外,由于模型的适用性,还可以推广到其他时间序列数据的预测问题。