虽然浮动车GPS数据量很大，但是在某些时段仍然有一些路段缺少实时浮动车数据，从而难以对行程时间进行估计。针对实时浮动车实时数据在估计路段行程时间时存在数据缺失的问题，提出了利用路网间属性和空间结构的相似性，从浮动车历史大数据中提取相似路段之间的时空关联特征，以目标路段与相似路段间的时空关联关系为输入，目标路段行程时间为输出，利用构建的三层神经网络模型进行数据缺失路段的行程时间估计。实验结果表明，路段行程时间估计值的平均绝对百分比误差可达到30%，与Na?vemodel（NM）相比具有较好的估计精度，验证了从路网相似角度解决实时数据缺失的可行性。