出租车是现代城市交通系统中的一种重要的交通方式。在互联网发展下的信息化浪潮中,网约车也已成为了打车的主流方式。伴随着网约车的兴起,相应的问题也接踵而至,例如乘客长时间打不到车、司机长时间接不到单等,造成了资源浪费严重、用户体验极差等问题。如果可以对区域出租车需求量进行准确的预测,网约车平台就可以提前对出租车进行调度或者引导,从而大大地减少了资源的浪费,既可以为乘客提供便利,又可以为司机增加营收。城市区域出租车需求量预测目前已是智能交通领域的一个热点研究问题。从空间维度来看,城市中区域与区域之间的出租车需求量存在空间相关性,此外人和车辆动态地分布在城市区域中并在空间维度上持续发生着运动,也体现出了复杂的空间动态相关性。从时间维度来看,人类的行为活动本就呈现出强烈的时间相关性。如果同时考虑时间和空间维度,会存在随着时间的推移,人和车辆在城市不同区域之间转移的的时空相关性。因此,本文尝试基于城市出租车历史订单数据,探索利用深度神经网络学习时空依赖关系,对城市区域的出租车需求量进行预测。本文的工作主要包括以下几个方面:（1）对城市区域与区域之间的空间相关性建模方法进行研究,以纽约曼哈顿地区的出租车订单数据为基础,基于用户打车历史数据构建区域间相关性,在空间维度上构建城市区域之间的相连性、便通性和相似性,实现空间相关性建模。（2）提出城市区域出租车需求量预测模型,结合了上下文门控循环神经网络和多图卷积神经网络,利用注意力机制计算每个时间步观测值的权重,再使用共享参数的上下文门控循环神经网络捕获城市中的全局信息,最后使用多个图卷积对提出的区域空间相关性进行学习并融合,从而构建出了能充分挖掘时空信息的区域出租车需求量预测模型。（3）设计并实现了城市区域出租车需求量预测可视化系统,通过可视化系统对曼哈顿地区的兴趣点（POI）信息进行获取,并对出租车需求量和预测结果进行可视化展示。系统整体设计采用前后端分离架构,后端采用Spring Boot框架,前端采用VUE框架,并调用了百度地图以及图表的JS接口等,实现了整体城市地区以及各个区域的历史需求量和预测结果的可视化,可用于城市区域出租车需求的观察分析和预测应用。