行程时间可以直观反映路段的交通状态,准确的行程时间估计可以为出行者提供更优的出行路线,降低出现交通拥堵的概率。当前对于行程时间的估计,主要集中在高速公路或快速路,且许多行程时间预测模型只提供预期的行程时间。基于此,本文对基于交通状态的行程时间问题进行研究。本文在浮动车GPS数据的基础上,对路网的交通状态进行划分,并在此基础上,提出基于不同交通状态的联合行程时间概率密度模型,并基于实例对行程时间进行了估计。首先,本文在对浮动车GPS数据进行预处理后,构建了基于宏观基本图的区域交通状态判别方法。该方法利用总出行时间和总出行距离代替加权流量和加权密度构建宏观基本图,采用高斯混合模型对速度、密度进行聚类。结果表明,研究区域内的交通状态可以划分为三类:畅通、轻度拥堵和重度拥堵;通过函数拟合的方法,得到宏观基本图的函数表达式,并求得对应交通状态下的速度及密度区间。其次,对研究区域内的常发性拥堵区域进行识别,并对路径的平均行程速度进行预测。在区域路网正方形网格化的基础上,采用基于密度的改进DBSCAN算法,对研究区域内的常发性拥堵网格进行识别;设计基于三组处理方式的不同数据集,在此基础上,利用长短时神经网络对路径的行程速度进行预测。结果表明,经过数据平滑的多次平均模型的预测效果最好。最后,对不同的交通状态下网格联合行程时间进行了可靠性的分析,并建立了基于不同交通状态下联合网格的行程概率密度模型。由于不同分布的概率密度函数无法直接相加,本文进行了相应的函数推导。经过综合数据分析研究可以发现,三类交通状态下的最佳网格行程时间分布呈现出不同的特征,畅通、轻度拥堵和重度拥堵区域的最佳行程时间分布分别为Gamma分布、Weibull分布和对数正态分布;以北京市的道路为例,对行程时间进行了估计,结果表明,本文建立的模型快速有效,而且路径距离越长,时间段划分越小时,估计精度越高。