出租汽车是城市综合交通运输体系的组成部分，是城市公共交通的补充，为社会公众提供个性化运输服务。然而，在出租车运营中，出租车高“空驶率”与乘客“打车难”现象现状同时存在，尤其在交通枢纽、商业区、重大活动举办地等区域，出租车供需不平衡问题较为严重。为了掌握复合影响因素条件下出租车需求时空分布规律，科学分析判别出租车出行的高峰时段及热点载客范围，进而为出租车供给安排和调配提供数据支撑，有必要开展出租车需求预测研究。　　本文研究的出租车需求是指一定时间段内，区域中使用出租车出行的次数总和。与传统的出租车出行需求预测以交通规划四阶段法为基础不同，本论文的研究以北京市为例，选取出租车GPS数据、计价器数据、地图数据和影响因素数据为基础，利用关联匹配技术和GIS技术，实现出租车出行需求特征的提取和分析。出租车需求在时空分布上具有不均衡性，工作日出租车需求高峰时段为9点至12点、13点至16点;空间分布上前20位的交通小区（占小区总数1％）产生了11％左右的出行量。在此基础上，本文构建了面向基础需求和特殊需求的出租车需求影响集。　　本文提出了基于DBSCAN空间聚类算法的热点载客区判别方法。结果表明，北京出租车热点载客区主要集中在枢纽集散区、商业聚集区、娱乐聚集区、办公商务区以及居民住宅区等，如北京五月周一早高峰期间，热点载客区集中在国贸、北京站、金融街、三元桥、北京西站等区域。不同复合影响因素影响情况下，出租车热点载客区的时空分布有所不同，但热点载客区域范围在特定影响条件下比较固定，区域内出租车需求也较为稳定。　　基于热点载客区的时空分析，本文构建了区域内出租车出行需求预测模型。利用历史数据中出租车热点载客区及需求量的积累，结合历史需求状态与影响因素状态的对应关系，实现了未来时间段热点载客区范围及需求量的预测。通过分析BP神经网络的拓扑结构，基于Matlab实现了神经网络算法在出租车需求预测领域的应用，通过典型热点载客区的需求预测证明了模型的合理性和通用性。热点区域的识别及需求预测，有利于实现有依据、有目的的出租车供给安排及调度方案的提出，改善城市出租车供需不平衡的问题，降低出租车在城市道路系统中不必要的空驶，提高乘客打车效率。