近几年,国民经济的快速发展,使得汽车普及率逐渐升高。汽车的使用扩大了人们的生活范围,方便了人们的出行,但也给城市管理带来了新的困难和挑战。由于城市机动车数量迅猛增加,道路资源建设相对滞后,导致城市交通问题日益严重,消耗了大量的机会成本。解决道路交通问题的有效措施之一就是设计合理的出行路线。合理的规划行车路线,不仅可以使出行者获得更好的驾驶体验,而且可以有效地避免拥堵的发生,达到节约时间、经济、能源,保护环境的目的。虽然路线推荐的研究已经存在了相当长的一段时间,但是大部分研究仍停留在静态路网中。为了解决上述问题,本文提出一种基于时间依赖的受欢迎路线推荐模型,该模型与其他大部分路线推荐模型明显的不同是它考虑了路网的时间依赖特性,并且从出租车历史数据中挖掘真实有效的行驶经验,然后将其推荐给普通用户。本文的主要贡献包括:首先,针对动态路网的时间依赖特点,提出构建路段时间依赖函数的具体算法。首先,将出租车GPS轨迹集按照时间框架分类,挖掘不同时间框架内的交通流转移概率分布。然后,对时间框架进行聚类,最终获得受欢迎度时间依赖函数。其次,针对传统路线搜索方法存在的准确性和效率难统一的问题,提出一种新的构建局部路网的方法。在此过程中,提出出入度轨迹链表的概念,根据出入度轨迹链表构建局部路网。同时为了提高构建局部路网的效率,提出了两种剪枝方法,分别是主导轨迹剪枝法和轨迹角度偏移区间剪枝法。最后,本文以路线受欢迎度较高、行驶时间较短为目标,提出了三种最受欢迎路线推荐方法,分别是基于改进遗传算法的最受欢迎路线推荐方法、局部最优受欢迎路线推荐方法和全局最优的受欢迎路线推荐方法。通过实验评估,验证了本文提出的基于时间依赖的受欢迎路线推荐算法的有效性和实用性。