出租车的轨迹预测可以改善城市交通安全,属于智能交通的一部分。对于交管部门来说可以有效提高对于出租车这一公共交通资源的控制与利用,同时有助于缓解城市的拥堵状况,提高城市道路的利用状况并为广大市民带来切实利益。本文利用出租车历史轨迹数据,从微观上对单辆出租车的行驶轨迹进行预测,得到即将行驶的道路。由于城市平面定位点无限域的特征,本文利用地图匹配技术将出租车轨迹的定位点匹配到城市道路中,用道路的集合表示每一条轨迹。然后,使用基于注意力机制的编解码模型处理轨迹这一时间序列。该模型由三部分组成:编码部分,由一个长短期记忆网络(Long Short-Term Memory,LSTM)构成,用于处理每条轨迹中已知的部分;解码部分,由另一个LSTM构成,用于对编码部分产生的结果进行解码,取解码后的最后一条道路作为预测结果;注意力机制部分,这一部分主要解决关键道路的决定性问题,在解码时,可以综合考虑轨迹已知部分进而根据轨迹中的特殊路段更加准确的推断出合适的未来道路。进一步地,出租车行驶轨迹是具有强烈的目的性,因此采用多任务学习(Multi-task learning,MTL)探究目的地在轨迹预测过程中的作用。在多任务学习模型中,首先根据轨迹中的已知部分构建目的地预测的LSTM,然后构建对轨迹未来道路进行预测的LSTM,接着将两个LSTM使用动态组合方式实现参数共享,达到两者相互影响的效果,最后使两个LSTM分别预测目的地与未来道路。本文使用西安市出租车数据集,分析轨迹中已知部分对轨迹未来道路以及目的地对其预测的影响,与已有的预测方法相比,本文的模型在序列的预测方面均具有良好的表现。此外,通过对比发现采用注意力机制可以明显改善编解码模型的预测效果,同时含有目的地的预测较单一地轨迹预测也能够显著提升预测效果。