城市道路交通状态分析可对路径行程时间预测,从而向出行者提供基于路网运行状态的出行路径。然而,目前针对该问题的研究存在低频数据利用率不高、行程时间预测模型合理性差、时空相关性敏感度弱、模型单一等,不能完全有效地描述交通运行状态领域存在的问题,从而导致算法时空复杂性高。本文在对现有行程时间预测模型和深度学习挖掘模型的归纳与分析基础上,提出具有显著优越性的路径通行时间预测算法,主要研究成果如下。首先,以哈尔滨市南岗区作为主要研究区域,对具有低频特性浮动车轨迹数据进行了数据清洗和地图匹配等预处理工作,然后从该区域的轨迹数据中随机选择64条作为研究对象,并提出采用非参数的方法对路径行程时间进行预测,从而动态地预测各轨迹的行程时间。其次,本文针对现有行程时间预测模型输入因素单一、解释性不强等问题,引入时空相关性以改进车辆行程时间预测中的不足。深入挖掘浮动车数据以发现行程时间相关数据,发现其潜在规律,并在邻近道路或轨迹中发现空间相关性。最终,结合注意力机制与深度学习方法,建立了基于注意力机制与图卷积方法融合的行程时间预测模型。该模型在预测过程中,通过注意力机制以路径为基本单位建模,建立了基于LSTM树的行程时间预测子模型,实现时间维度的相关性预测;通过图卷积网络学习路径之间的空间相关性,形成基于注意力机制的图卷积网络子模型。算法最终通过Bagging集成理论集成,进一步提高了预测准确率。最后,通过梯度下降算法对上述模型的训练过程进行了优化,并通过多次训练选定了最佳的网络结构超参数,其中LSAM单元的个数是7个,ASTGCN中的K是3等。在实验中,本模型和基准模型分别对2017年1月17日8:45-9:00之间随机选择的64条路径的行程时间进行了预测,结果对比显示,本模型优于其他基准模型,并且具有更加稳定的预测结果。同时对误差影响因素进行分析后发现,路径长度越长、交叉口数量越大,则误差越大,但即使面对这种情况时,本文的模型误差仍然可控且优于其他模型。