近些年来,中国城市化快速发展,居民保有机动车的数量也逐年增加,交通基础设施供给受限,加之不透明的道路交通运行状况使得居民在出行时存在一定的盲目性,交通拥堵现象已经严重影响城市的可持续发展。好在国家倡导大数据公开等相关政策的逐步落地以及无人驾驶技术的逐步成熟,使未来用户出行前发布出行计划以及研究者获取出行计划数据成为可能。本文以导师团队关于出行计划数据的相关课题作为研究基础。首先,本文对传统的路阻函数进行优化改进用以计算用户在不同空间节点上所产生的行程时间;其次,本文构建了一种交通运行状态判别模型来判断路段交通的运行状态;最终,本文将用户出行计划数据引入到以上两个模型中,以预测用户未来出行途经的各个路段时所需的行程时间以及预测用户未来到达各个路段时的交通运行状态,本文的核心内容包括:（1）为了更加精确地计算道路的行程时间,首先对经典的BPR（Bureau of Public Roads）阻抗函数模型进行改进,其次建立LSTM（Long Short-Term Memory）循环神经网络预测已改进的路阻函数的待定系数β值的正负,最终得到一种基于LSTM神经网络的改进BPR路阻函数模型。将改进的行程时间预测模型计算结果与经典的BPR函数模型计算结果、仅使用LSTM神经网络预测的结果、实际观测数据进行对比发现,改进后的模型具有更高的准确性。（2）为了更加准确地判别道路的交通运行状态,本文首先使用模糊C均值聚类算法将采集到的交通数据聚为畅通、基本畅通、拥挤、拥堵四类状态,其次,结合流量、占有率、速度三组参数分别对四类交通运行状态分别创建模板云图。在判断路段的交通运行状态时,利用X-云发生器根据输入的流量、占有率、速度求解这三组参数分别对应四种交通运行状态下的隶属度,然后利用熵权法得到加权求和后的隶属度,最终,判断出该时刻该路段的交通运行状态。将构建的交通运行状态判别模型计算结果与LSTM神经网络预测的结果进行对比,发现本文构建的模型在判别交通运行状态的准确度更高。（3）本文利用用户的出行计划数据构建出一种能够预测用户未来途经的各个路段所需的行程时间以及判断未来各个路段交通运行状态的算法,然后利用Vissim仿真软件仿真试验路段的交通,将Vissim仿真数据进行处理后作为用户的出行计划数据进行算法验证。结果表明,结合用户出行计划数据的算法在预测行程时间和判别交通运行状态时具有较高的适用性和可靠性。本文在建立行程时间模型和交通运行状态判别模型后验证两种模型计算的精准度,然后将两种模型与用户的出行计划数据相结合,使用户能够提前预知未来的交通运行状况,从而更加灵活制定出合适的出行方案。同时,该方法能够帮助交通管理者提前获知快速路的使用情况,使得交通管理者能够提前制定快速路的交通管理方案,也令快速路的使用效率得到进一步提高。