随着城镇化的趋势发展，居民出行次数不断递增，而出行过程中选择的交通工具也产生明显变化。出租车在交通领域有重要的意义，可满足乘客短途出行需求、对城市活力也有一定促进作用。近年来虽然网约车数量越来越多，但考虑到网约车的等待时间长与载客热区的需求大等因素，居民的打车体验急需改善。而且，乘客出行的随机性与出租车司机寻找乘客的盲目性，导致出租车空驶与载客热区需求不能满足的现象同时存在，供需时空分布严重不平衡。本文基于成都市滴滴平台出租车GPS数据，在一定的统计分析基础上研究了出租车出行需求变化规律，引入改进的DBSCAN聚类算法挖掘出租车载客热区，且发现和这种需求密切相关的因素，接着选取载客热区早高峰时段做了模拟预测研究。
　　首先，研究出行需求的时空分布规律。在出租车GPS数据预处理的基础上，利用ArcGIS平台实现对部分偏离路网的出租车轨迹点的修正，并通过Python编程提取出租车上下客点，统计分析不同时间条件下出租车出行需求时空分布规律。
　　其次，研究载客热区的遴选方法。在以上需求分布结果基础上，接着适当的划分工作日为需求早、晚、夜高峰相关时段，引入k距离曲线改进DBSCAN空间聚类算法，对出租车上下客点进行聚类分析，进行一定的数据挖掘处理而得到工作日各时段的载客热区，然后利用软件工具对载客热点区域在电子地图上可视化标记，对相应时空分布规律进行统计处理。
　　最后，预测分析典型载客热区的需求。具体讨论这种需求的影响因素，同时结合历史需求信息，预测典型载客热区未来时段出租车需求。提出BP神经网络预测模型，对载客热区内出租车出行需求预测进行分析，对模型的预测效果通过相关指标进行评价，验证了其应用价值。此方面的需求预测研究可以为出租车公司的合理调度规划提供理论和数据支持，减少出租车的空驶里程和时间，提高乘客出行效率，从而缓解大气污染、能源不合理利用和道路拥堵等问题。同时也可在节能减排、指导政府合理规划城市交通建设等诸多方面提供帮助，具有很强的实际意义。