随着互联网经济的迅猛发展和不断攀升的城镇化率,城市居民出行方式越来越多样化,网约车成为现代城市居民日常出行的普遍方式。网约车满足了居民“门到门”的出行需求,但此出行方式具有很大随机和不确定性,经常会出现“打车难”、“派单距离远”等供需不平衡的问题。因此,准确、快速的预测网约车需求对于有效提高区域运力,打造平台、司机和乘客三方“共赢”的局面具有重要意义。然而,当前网约车需求预测存在以下挑战:（1）网约车订单需求量的时序数据往往具有复杂的跨时间窗的指标相关性和空间依赖性;（2）目前大多数研究关注网约车的静态需求,即起点的需求,而忽略了目的地的建模。（3）随着大数据的广泛应用,海量数据对于交通需求预测具有重要的价值,但基于大数据的交通需求预测体系仍处于探索阶段。为了克服这些挑战,推动构建基于大数据的交通需求预测体系,本文通过对网约车数据的挖掘,提出了两种基于深度神经网络的网约车出行需求预测模型,分别就网约车单区域出行需求和多区域OD矩阵进行了预测,选择真实的网约车订单数据对模型有效性进行验证。主要完成的工作有:（1）数据预处理与网约车出行需求特征分析。明确了论文研究对象和问题,对网约车的订单数据进行预处理;通过对比不同日期类型、不同时段的出行需求量得到了需求的时间特征;通过对比高峰期载客区域需求密度和净流量比得到了需求的空间特征。确定了网约车的总体出行需求特征,为模型搭建奠定了基础。（2）提出了一种基于GRID-DPCNN+NLSTM的深度学习单区域出行需求预测模型。模型由GRID网格编码器、DSCNN、NLSM和3DCNN四个模块组成。将所提模型应用于实例分析,通过进行消融试验并与四种基线深度学习模型进行对比。预测结果表明DSCNN模块的引入对模型影响最大,均方误差（MSE）和对称平均绝对百分比误差（SMAPE）分别降低约4%和3%。模型预测结果的最佳SMAPE值为20.23,优于其它基线模型。最后,将模型在不同高峰期的预测结果可视化,验证模型的有效性。（3）提出一种基于OD-STGCN的深度学习多区域OD矩阵预测模型。根据街区而不是网格将城市区域划分多个交通小区。采用NLSTM捕获长记忆的时间层次结构,利用基于光谱域的切比雪夫图神经网络（Cheb GCN）捕获相邻区域的空间依赖性。从目的地和原点捕获双向时空特征。通过实例分析对比所提模型与基线模型在不同影响因素下的预测性能与可视化分析结果,发现本章模型的整体预测效果最佳。在多步预测结果中模型三个时间序列的SMAPE值为0.1872/0.1905/0.2094。模型预测精度较好,有关部门可以根据预测结果提前合理调配资源,提高网约车的运行效率。