出租车是城市公共交通中重要的交通工具,对缓解城市交通压力提供了强有力的支持。为了解决现阶段城市出租车运营中存在的空驶率高、寻客难的问题,很多工作提出了基于需求的出租车调度系统。但是,已有的调度算法只考虑到了实时需求数量与空载出租车数量之间的需求/供应关系,调度过程存在一定的时间延迟,并且没有考虑到载客出租车对调度系统的影响。本文对此问题进行深入的研究,从区域出租车需求预测和目的地预测两方面解决问题。本文在深圳市约15000辆出租车的轨迹数据上进行相关研究,该数据集时间跨度从2014年10月20日到2014年11月25日共37天,平均每天的轨迹数目为40万左右。本文主要的工作内容如下:1)针对城市交通工作日周期规律对区域出租车需求数量变化的影响,提出基于时间周期规律和空间关联特性的城市区域需求预测算法。以深圳市出租车数据为研究对象,构建需求预测模型的实验样本数据。使用二维卷积神经网络(Convolutional Neural Network,CNN)对区域及其周围区域进行需求分布空间特征挖掘,使用长短期记忆神经网络(Long Short-Term Memory,LSTM)对样本的时序依赖关系进行特征提取,并构建需求预测模型。文中分析了区域需求数据的时间周期特性,并将时间信息作为辅助信息以嵌入向量的形式加入到预测模型中。实验结果表明,本文提出区域需求预测模型预测均方根误差在14.4左右,平均百分比误差在0.1825左右,实验对比表明交通工作日周期规律对出租车需求预测有提升效果。2)针对基于LSTM的目的地预测算法缺少对轨迹空间特征提取,增加一维CNN提取轨迹局部特征以及轨迹语义信息,增强目的地预测模型对轨迹空间特征的表达能力。通过基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的目的地聚类,对出租车轨迹进行类型标注得到实验样本数据。将出租车轨迹映射到网格区域中,并对网格区域进行兴趣点信息挖掘,将兴趣点语义信息加入到出租车轨迹信息中。使用一维CNN网络对出租车轨迹信息和语义信息进行空间局部特征提取,并使用LSTM网络对提取的特征向量构建预测模型。除此之外,嵌入轨迹的时间和周期信息,增强了出租车轨迹的模式信息。实验结果表明,目的地预测误差在3.8km左右,与单独LSTM模型相比,预测精度有所提升。3)针对现有调度算法中忽略载客出租车到达目的地的问题,结合区域出租车需求数量预测和目的地分布预测,完善调度需求/供应模型,并使用NSGA-II进行调度多目标求解。本文针对出租车调度系统中的最大化区域需求满足度和最小化调度车辆行驶距离两个目标进行优化求解。基于城市区域需求预测,减小出租车调度的时间延迟。出租车目的地预测可以完善区域需求计算,进而减少不必要的出租车调度,减少调度车辆行驶距离。使用NSGA-II算法,对调度模型中区域需求满足度和调度距离进行多目标优化,提出出租车调度方案。实验结果表明,结合城市区域需求预测和出租车目的地预测可以提前对出租车进行调度,减少出租车寻客时间,最大化区域出租车需求满足度,最小化调度距离。本文基于LSTM神经网络,提出区域需求预测算法和目的地预测算法,提高两个预测模型的准确度。通过两个预测模型完善出租车调度系统中存在的时延和忽略载客出租车的问题,使用多目标优化算法构建出租车调度优化模型。实验结果表明,本文提出的需求预测模型和目的地预测模型在现有方法的基础上有一定程度上的改进,调度优化模型在需求满足度和调度距离的多目标任务实验效果上有很大的提升。