概率论与数理统计在物理、化学、工程、生物、经济、社会等领域应用广泛。本文综合应用数理统计、最优化方法、机器学习等理论,开展行程时间估计问题的研究。交通行程时间是直接刻画交通状况的重要参数。基于检测器数据估计路段行程时间一直是交通管理领域研究的一个重要问题。但是在现实中,受到客观条件的限制(检测器位置、数量、精度、环境影响等),无论是哪种检测器设备都很难覆盖整个交通网络,因此如何合理的布设检测器,估计全路网的行程时间是一个具有应用价值的科研问题。本文首先借助机器学习的方法研究了行程时间相关性,在此基础上,建立了检测器布设模型,以及相关的全路网行程时间估计模型,并开展数值实验验证模型的有效性。各章内容具体如下:第一章介绍了本文提出的基于数据相关性的交通行程时间估计的研究背景与意义,并探讨了行程时间估计与检测器布设问题的研究现状,以及用户平衡配流模型的相关知识。第二章借助机器学习中的随机森林方法,构建路段行程时间的空间相关性矩阵,用于量化不同路段行程时间相关性的大小。在路段相关性矩阵的基础之上,针对规模较小的网络,提出了一个基于路段相关性的检测器布设模型;针对规模较大的网络,提出了一个基于整数规划问题的两阶段估计的检测器布设模型。第三章给出了全路网行程时间估计模型,该模型根据第二章中检测器布设模型的结果,得到交通网络中的相关性较强的观测路段集合,根据这些路段的行程时间观测数据,建立人工神经网络估计未观测路段的行程时间,从而得到全路网所有路段的行程时间,通过两个数值算例验证了模型的有效性。第四章推广了第二章的检测器布设模型,提出了一个基于拟合效果的检测器布设模型。该模型归结为一个约束优化问题,以最小拟合误差为目标函数,在给定检测器总数的约束下,给出最优拟合效果的检测器布设方案,在数值实验中,通过与第二章的模型结果的对比,验证了该模型的有效性。第五章总结全文,给出本文的结论与展望。该论文有图12幅,表16个,参考文献60篇。