路径行程时间可靠性对于实时可靠的路径引导十分重要,可以为复杂的交通管理和人们出行提供理论依据和技术支持。本文利用出租车GNSS数据,同时考虑行程时间在时间与空间上依赖关系提出路径的短期行程时间预测方法,并为评估其预测结果的可靠性,建立基于变量相关结构的Copula路径行程时间可靠性模型,使用M-Copula函数代替单一函数描述具有复杂可变相关性结构的变量之间的关系,解决了一个独立的Copula函数仅能描述固定相关结构变量之间关系的缺陷,具有较为广泛的使用情景和实用意义。首先,数据预处理。了解浮动车数据的详细信息,分析浮动车数据对于行程时间研究在时间和空间上的可行性;基于GNSS数据在时间、空间以及速度的特点,分析不正确数据产生的原因并提出相应的数据处理方法;由于浮动车定位误差,基于地图匹配算法将数据进行修正;为了获取历史行程时间样本数据,考虑车辆重合轨迹覆盖长度,提出行程时间无参数估计方法。其次,考虑路径行程时间时空依赖关系提出路径行程时间预测算法。算法首先将路径结构建模的行程时间数据利用卷积神经网络捕获路径中的空间依赖关系,其次,利用长短期记忆网络捕获行程时间的时间依赖关系,同时由于数据的时间漂移,在长短期记忆网络中引入注意力机制修正时间漂移带来的影响。最终串联融合模型预测下一时隙的路径行程时间。再次,考虑路段行程时间之间的相关性建立路径行程时间可靠性模型。模型基于秩相关系数,分析连续路段行程时间之间的非线性依赖关系,选择能够描述不同相关模式的混合Copula函数将各个路段边缘分布的概率密度函数进行联合,对路径行程时间可靠性进行分析评估。最后,实例分析。在路径行程时间预测算法中,对哈尔滨市500条路径真实行程时间进行验证,平均精度达到90%以上,相对于机器学习算法在平均绝对误差和决定系数分别提升18.6%和22.46%。在路径行程时间可靠性模型实例验证中,基于M-Copula模型路径行程时间分布相较于卷积模型和单一Copula模型更接近于经验路径行程时间分布,能够准确变量之间不同相关结构的相关模式。