出租车可以提供响应及时、灵活以及个性化的出行服务,是重要的城市出行交通资源。巡游出租车在过去几十年间,一直被作为城市公共交通的重要补充。近年来,依托共享经济和移动互联网的成熟,网约车共享出行快速得到了人们的青睐。此外,随着自动驾驶技术快速发展,自动驾驶共享出租车进入人们视野,为传统出租车服务模式转变带来了新的契机。针对不同类型的出租车资源优化利用展开研究,对于缓解交通拥堵、出行困难、环境污染等城市交通问题具有重要意义。目前,出租车资源优化利用面临几个关键问题:巡游出租车司机沿街寻找乘客,由于司机和乘客相互之间信息隔离,乘客“打车难”的同时,出租车空载率普遍很高;网约车共享出行依赖实时的订单分派,需要高效、优化的派单方法以提高共享出行成功率,以充分发挥其车辆资源利用优势;自动驾驶共享出租车的运营管理离不开精准的车辆投放,需要掌握满足乘客出行需求的车队规模数据,为未来兼顾出租车运营商的成本与利润、乘客出行体验和城市经济环保效益的投放提供指导。随着定位技术的发展、车载GPS设备和带有GPS功能的移动设备的普及,如今GPS轨迹数据被广泛地收集,并有望为上述出租车资源优化利用问题提供支持。然而,过高的GPS采样率会造成数据冗余,带来存储、通信、分析的一系列困难;而稀疏的采样则可能带来GPS轨迹不准确的问题。本文将围绕如何使用GPS轨迹数据进行城市出租车资源优化利用展开研究。首先,为有效利用车辆GPS轨迹这一重要交通数据,本文研究了GPS采样率动态调节方法。然后,本文分别针对巡游出租车、网约车以及自动驾驶共享出租车这三种出租车资源所面临的空载、派单、投放规模问题,提出了相应的优化方案。相关内容概括如下:（1）提出了一种车辆GPS采样率调节算法。该算法考虑到单个GPS采样决策的长期影响,设计了一个深度强化学习模型来学习GPS采样策略网络,以根据车辆移动状态动态调整采样率。针对车辆移动特征和GPS轨迹准确性之间的关系难以确定的问题,基于逆强化学习,对专家示例的动态采样行为进行建模,并以此构建强化学习模型奖励函数。实验结果表明,使用该方法采样的轨迹,可以减少95%以上的GPS采样数,同时降低不到3%的车辆GPS轨迹准确度。（2）提出了一种巡游出租车空载行驶路径推荐方法。为了估计潜在的乘客上车点,构造了一个概率网格地图,使用卡尔曼滤波算法估计了城市不同网格的载客概率和乘客量。为了考虑巡游出租车和乘客之间的供求平衡,在路径推荐中根据乘客量进行网格分配,以此控制城市不同网格的空载巡游出租车访问量。为提高路径推荐效率,提出了一种新的数据结构Kd S-tree以支持出租车的近邻查找,并将路径推荐算法划分为多个子任务,利用并行计算模型进行实现。实验结果表明,该方法可以显著减少巡游出租车空载距离,提升了巡游出租车资源的利用。（3）提出了一种网约车共享出行派单算法。将多乘客组合派单问题转化为图论中的最大加权独立集问题,并提出了一种基于迭代局部搜索的派单算法。同时,提出了两种邻域结构,以进行派单算法的有效局部搜索。为了满足实时性派单要求,将Kd S-tree进行拓展,提出了一种名为TKd S-tree的时空索引结构,便于使用多种剪枝方法进行网约车载客行驶路径检索及规划。实验结果表明,该派单方法可在乘客共享出行成功率、乘客等待时间等多项指标上优于其他派单方法,从而显著提升网约车资源的利用以及改善乘客出行体验。（4）提出了一种面向自动驾驶共享出租车的车队规模计算方法。针对目前车队规模计算不精确、依赖模拟、未考虑乘客共乘优化的问题,首先提出一种考虑了出行需求时序数据映射关系变化及不同区域相关性的在线集成学习模型,以此来进行出行需求的预测。基于该预测,以最大化共乘路线途径区域的潜在乘客出行需求为目标,确定多个乘客之间的共乘关系。最后,提出了一种基于图结构的车队规模计算方法,精确而快速地计算满足所有乘客出行所需要的最小车辆数。