交通与发展的关系一直是城市规划者与政策制定者所关注的重点内容。智能交通运载系统随着信息技术的发展不断进步,提高了城市中交通运输设施的利用率,为城市居民提供了实时的路径规划,引导了智能驾驶方式,有效的反馈并预计了交通状况,对具体的交通需求给出了可行的参考策略。城市私家车辆的出行往往与驾驶目的具有相关性,城市私家车辆的停等时间一定程度上能反映私家车辆的驾驶目的,提前获知城市私家车辆的停等时间有效提高各种基于位置的应用的服务质量与运行效率,并且能为停等区域未来的交通流量提供额外的参考信息,有利于交通规划与流量分配。因此,对城市私家车辆的停等时间进行预测能有效提高城市智能交通运载系统的运行效率。由于城市私家车辆停留行为具有随机性,不稳定性与不确定性,有效的预测停等时间是一项困难的任务。因此,本文基于城市私家车辆的数据信息进行了数据清洗,依据城市私家车辆的有效停等数据进行了全面的数据分析,并根据城市私家车辆的停等行为的特点进行了相应的算法设计,提高了预测城市私家车辆停等时间的准确率。本文的主要工作如下:由于城市私家车辆数据难以得到,本文设计了一种基于OBD的车辆信息系统来获得真实城市私家车辆的轨迹信息。对于从城市私家车辆中获取的原始数据,,本文采取了各种数据预处理方法对其进行数据清洗,提高了城市私家车辆数据的价值密度,有效性以及可用性。本文提出了一种检测停留行为的算法对车辆信息数据中的私家车辆停留行为进行了检测与捕捉,并且使用了DBSCAN聚类算法等方法对城市私家车辆的停留行为进行了时空特征提取,分析了城市私家车辆停等行为的特点。本文中,提出了一种基于神经网络的城市私家车辆停等时间预测模型,以解决预测停等时间的问题。具体而言,提出的预测模型由三个部分组成:编码器,异常模块以及解码器。首先,将城市私家车辆的停留行为编码为隐藏向量,从而避免了时间稀疏性的影响,编码器模块利用多层感知器从历史轨迹数据中学习时空特征,例如停靠点与相应停等时间之间的固有关系。然后,在预测模型中构建带有神经算术逻辑单元的异常模块,从而增强了神经网络的功能处理线性关系,从而使所提出的预测模型具有更好的预测能力。此外,利用剪枝技术来防止预测模型过拟合。本文基于大规模的现实世界私家车轨迹数据进行了广泛的实验。实验结果表明,本文模型在RMSE,MAE,MAPE,SMAPE,KL散度上的性能指标普遍优于对比方法。