近年来,随着我国人均汽车保有量的连年增长,造成城市交通拥堵和空气污染的问题日益严峻。应用移动互联网技术的网约车平台的诞生,为人们出行带来了极大的便利。它通过提供顺风车、拼车等共享出行服务来降低汽车空载率,并解决城市道路交通拥堵、汽车尾气造成的空气污染等问题。在平台提供共享出行服务时,如果能准确预测平台用户的出行路径,就能根据预测结果,合理有效地调整网约车运力分布,从而更好地为用户提供个性化的定制服务。出行路径预测是一个非常新颖且复杂的问题,尤其是在用户出行方式具有多样性的情况下,对其进行精准的预测是一个非常有挑战性的任务,并且在现有的学术研究中很少有专门针对出行路径预测的研究。本文的研究目的是基于网约车平台中的乘客出行行为数据,对乘客未来出行路径进行预测,从而为提升平台的运营水平和服务质量提供决策支持。首先,提出了一种基于GRU网络的乘客未来出行路径预测模型GRU-TBN。通过分析网约车平台中用户的出行行为,发现用户出行行为在不同时间的分布上有很大不同,同时分析了用户的出行行为受不同天气条件等外部因素的影响程度,总结得到了对用户出行产生影响的因素特征并进行了相应的特征表示建模。基于以上分析,提出了基于GRU网络的乘客出行路径预测模型GRU-TBN,该模型通过融合特征表示和位置嵌入向量,来捕获影响用户出行的因素特征并解决了数据稀疏的问题,通过GRU网络来学习用户历史行为的序列化模式,最终融合多种信息完成对乘客未来出行路径的预测。其次,进一步分析了用户出行的场景因素和个体偏好对未来出行路径的影响,提出了场景化及个性化的出行路径预测模型CPTBN。该模型能够全面建模用户出行的场景化特征,挖掘用户的出行目的,并通过GRU网络和注意力机制动态建模用户的出行模式,同时能融合用户的个性化画像信息,从而进一步提升乘客未来出行路径预测的准确性。最后,本文在国内大型网约车平台滴滴出行的脱敏真实数据集上开展了大量实验。从实验结果中看出,本文提出的GRU-TBN模型性能在给定的评测指标下优于较现有所有基线模型的性能,进一步优化后的CPTBN模型在预测结果的准确性上又有大幅度提升。实验结果表明,本文提出的预测模型能有效地建模用户出行的场景因素和个性化特征,实现用户未来出行路径的准确预测。