近年来,随着大数据技术和人工智能的不断进步和快速发展,以及“智慧城市”等相关概念的提出,城市的智能交通系统也在经历着深刻的变革。未来的城市交通必将是融合了人工智能、互联网+等先进技术的“智慧交通”。出租车作为城市公共交通运输系统的重要组成部分,能够提供便捷、舒适的个性化服务,现已成为居民日常生活中一种必不可少的出行方式。而针对目前出租车服务和出行乘客需求之间存在较大供需矛盾的情形,通过相关方法对未来一段时间内的出行乘客需求进行有效预测,具有重要的实际意义。本文首先对纽约市的出租车乘客乘车数据进行一定程度的预处理,并在此基础之上统计分析了出租车出行乘客需求的时空分布特性,以及天气状况等外部因素对其的影响。其次,对于单个目标区域未来一段时间内的出租车乘客需求预测,本文在综合考虑后选择了传统机器学习相关预测方法,并在特征变量分析基础上,分别使用多重线性回归、支持向量回归、随机森林以及Xgboost算法对肯尼迪机场的乘客人数进行预测,并分析了不同算法模型的预测性能。最后,本文使用深度学习方法对多目标区域的出行乘客需求进行预测,针对传统的LSTM网络以及ConvLSTM网络在处理时空特性问题时的缺陷,本文针对性地提出了CNN-Resnet-LSTM预测模型,并通过实验证明在相关条件下其预测准确性相较于上述方法,有一定程度的提高,同时也对相关影响因素以及退化模型进行了分析。