随着移动互联网的飞速发展,特别是移动智能手机的普及,近年来网约车行业快速发展,越来越多的人选择个性化的网约车服务。虽然相较于传统出租车时间成本有所降低,但由于信息的不对称性和出行需求的随机性,在时空上难以确保乘客出行需求和车辆供给的一致性,局部需求量较大的区域在不良天气下或出行高峰时期仍然存在“打车难”、等车时间较长等问题。本文利用网约车订单及其它相关数据,对网约车的出行需求时空分布特征进行研究,针对局部需求和区域需求短时预测问题分别建立模型并验证,提高了预测的准确度与效率,在提高乘客出行效率、网约车运营公司的调度水平、减少环境污染、减轻城市道路交通压力方面具有重要意义。本文具体工作如下:(1)明确网约车出行需求、局部需求短时预测和区域需求短时预测等问题的定义;根据Geohash算法对北京市五环内进行区域划分,并确定了预测的时间粒度;基于影响网约车出行需求因素的定性分析,对网约车订单数据、POI数据和天气数据等多类影响因素进行数据收集、数据清洗、地图匹配等预处理操作。(2)研究网约车需求分布的时空特征:从总体变化趋势、不同星期属性、不同日期类型分别研究出行需求时间分布特征;通过对比不同日期类型下出行需求的空间分布研究出行需求时空分布特征。对历史需求订单数据、天气数据和POI数据等各类潜在的影响因素与需求量之间进行相关性分析,选取并总结模型的输入特征变量。(3)针对局部需求短时预测问题,仅利用历史网约车需求时间序列建立了基于LSTM的单因素局部需求短时预测模型,利用处理后的多源数据建立了基于LSTM的多因素局部需求短时预测模型;针对区域需求短时预测问题,分别利用LSTM、CNN和Conv-LSTM网络分别捕捉需求不同的时空变化规律,将三个子模型的输出进行融合建立了区域需求短时预测模型。(4)以北京市滴滴平台的实际数据进行案例分析。针对构建的多个短时出行需求预测模型,对网络的多个超参数寻优;从总体预测结果、不同日期类型预测结果、不同时间粒度预测结果等角度分别对局部需求短时预测模型和区域需求短时预测模型进行结果分析和评价;将上述模型与传统模型进行对比,结果显示区域出行需求短时预测模型在精度和效率上都有明显的提升,多源数据的加入可以明显提升预测的精度。