面对当前城市道路拥堵状况,现有出租车在行驶过程中存在运行效率低、成本高等现象,传统的交通管控方式已经无法满足人们的出行需求。但随着科技的不断发展和创新,人工智能技术已趋于成熟,并且已经在我们日常生活中得到广泛的应用,尤其是在智能交通系统方面。因此,为了解决城市道路拥堵和出租车行驶效率低等问题,进而有效的对道路进行管理和规划,本文运用智能交通技术对城市出租车的短期交通流预测和共乘线路推荐这两方面内容展开了研究。本文所做的主要工作包括:(1)针对历史出租车数据的时间序列特性对交通流信息进行预测分析。为了解决时间序列的周期性、平稳性和异常值等问题,提高交通流预测效果,实现高效的交通诱导和交通控制,本文在进行短时交通流预测的基础上,提出了一种基于深度学习的组合预测方法。根据时序数据的特点,构建了长短期记忆网络(LSTM,Long Short-Term Memory)和XGBoost(Extreme Gradient Boosting)算法结合的多步预测模型,实现了对未来短期内该路段上出租车行驶速度的预测,该组合模型不仅增强预测模型的泛化能力,而且提高交通流的预测精度。(2)针对历史出租车数据的起始点位置信息对乘客共乘线路进行分析。为了解决出租车搭载率低、行驶路线规划不合理及司机与乘客费用均衡等问题,提高出租车的运行效率,本文在进行共乘线路规划的基础上,提出了一种基于机器学习的进化算法。根据GPS数据的特点,设计了一种基于改进遗传算法的多目标多约束的共乘模型,实现了对乘客不同方向、不同起点及终点场景下共乘线路的规划,该共乘模型不仅提高了出租车的运行效率,而且保障了司机与乘客双方的利益。最后,本论文分别针对以上两种方法进行了仿真分析,结果表明,本文所建立的短期预测模型及共乘线路推荐模型不仅可以提高预测精度,同时还能有效解决出租车的行驶效率及乘客的出行费用等问题,对智能交通诱导系统有重要意义。