共享出行是指具有相似出行需求的用户乘坐同一辆车来完成服务的出行方式。通过共享出行可以提高车辆利用率,降低道路占用率以缓解交通拥堵和环境污染问题,同时参与者可以通过分摊出行费用来降低出行成本。目前,关于共享出行的研究主要集中在出行匹配和路径规划等领域。现有的出行匹配方法一般通过相似的轨迹聚类或应用线性模型融合少数出行特征来完成。这些方法分别对司机和乘客的出行特征进行独立表示和学习,没有考虑特征之间的联系,因此,它们很难表示和挖掘大规模出行特征以及特征之间复杂、稀疏的语义关系,这也导致了现有方法在准确率上有待提高。针对上述问题,本文提出了一种基于网络表示学习的共享出行匹配策略(Ridesharing Matching Scheme,Rshare Scheme),将司机与乘客之间的匹配问题转换为异质信息网络中的相似用户搜索问题。首先,在两种共享出行方式下分别定义轨迹特征和情感特征,同时使用异质信息网络理论分析各个特征之间的联系,构造包含多种实体类型的异质共享出行网络模式,并运用共享出行元路径描述各个特征之间的语义关系。针对网络节点相关性依赖于网络结构及节点间隐含语义的现象,提出一种元路径驱动的网络表示学习方法,获得用户节点的低维特征向量表示,最后计算特征向量相似性给出可匹配的司乘人员。本文的主要研究工作如下:(1)共享出行形式化定义和特征构造。基于对司机轨迹信息和乘客行程需求进行预处理,构造两类共享出行方式:端点共享出行和沿途共享出行,确定乘客出行情感特征和轨迹特征。在沿途共享出行方式下,提出最佳相遇点搜索算法,表示乘客在该相遇点上车能获取最低的出行时间成本。(2)构建异质共享出行网络模型。基于异质信息网络理论(Heterogeneous Information Network,HIN),构建包含用户、位置、时间和活动等不同类型对象及多种对象关系的异质共享出行网络,其中用户代表司机和乘客,位置为乘客的起点和终点(Origin&Destination,OD)或最佳相遇点,活动指用户在该地点所从事的活动类型。(3)建立共享出行匹配策略。本文将共享出行匹配约束条件转换为不同的共享出行元路径语义,通过异质skip gram模型获得用户类型节点的特征向量表示。在此基础上将司机向量与候选乘客向量做相似性TOP-K排序,确定共享出行人员。(4)本文使用中国成都市滴滴出行提供的大规模数据集进行大量验证实验,考虑两类基准方法,分别是网络表示学习方法与现有的相似性搜索方法,实验结果证明了所提出匹配方法的有效性,同时与以上两种方法相比均取得了明显的改进。