可靠的行程时间预测是出行服务的重要内容,准确的行程时间预测可以帮助出行者合理地选择出发时间和行程路径,减少了城市交通网络在高峰期间的交通荷载压力,有助于提高交通网络的服务水平,对城市智能交通的发展具有非常重要的意义。但现有的行程时间预测方法主要是点预测,仅提供一个预测值,无法充分体现行程时间的不确定性和个体差异,不能提供时间可靠性、极端情况下的行程时间等对出行者而言具有重要意义的信息。因此,论文结合交通大数据对于个体出行的精准感知,开发考虑不确定性和个体差异的行程时间预测方法。论文首先提出了多源交通数据处理融合方法。论文总结了现有交通系统的数据来源并分析了数据融合的必要性。在此基础上,提出了基于车牌模糊识别的车牌识别数据处理与特征提取方法、基于地图匹配的轨迹数据处理与特征提取方法、与道路天气数据的提取方法。提出的多源交通数据处理融合框架,能够合理利用现有交通系统的多源交通数据,为行程时间预测的研究提供可靠的数据基础。其次,为实现行程时间的分布预测,论文构建了基于深度学习的混合密度时域卷积网络（Mixture Density Temporal Convolutional Network,以下简称“MDTCN”）模型。MDTCN由时域卷积模块和混合密度模块两部分组成,其中时域卷积模块以交通时序数据为输入,通过多隐藏层及卷积结构提取有效交通特征,向混合密度模块输出交通状态的表示向量,而混合密度模块则通过高斯混合模型对行程时间的概率分布建模,并输出行程时间的概率分布函数。MDTCN以最大化观测行程时间与预测分布的对数似然函数为目标,通过反向传播（Back Propagation）算法修正模型参数,迭代减小模型误差,对行程时间分布进行准确预测。同时,考虑到复杂机器学习模型的“黑盒”特性,模型预测背后的逻辑与规则无法被理解,论文提出了不同机器学习模型可解释性分析方法。论文给出了行车时间预测的线性模型、决策树模型和深度学习模型的解释分析方法,为以降低行程时间、提高行程时间可靠性为目标的交通管理措施制定提供依据。最后,通过算例对MDTCN模型的预测精度进行了验证,算例表明该模型对行程时间分布的预测具有较高精度。且论文提出的机器学习模型的解释性分析方法可以较好地剖析模型的预测规则,具有较好的模型解释能力。