随着网络技术的发展和智能终端的普及,网约车凭借其快速、便捷和优质的服务逐渐成为人们出行的首选方式。然而在现实生活中,空载或者供不应求现象仍然十分严重。随着优步和滴滴出行等网约车服务的日益普及,我们能够不断收集大规模的网约车需求数据,如何利用这些大数据来改变需求预测是一个十分关键的现实问题。因此本文利用网约车平台的内部数据和网上收集到的外部数据,开展了网约车需求量的时空特征分析以及短时需求预测。本文首先研究了订单数据、GPS轨迹数据,分析其特点,进行了数据预处理。然后基于处理之后的网约车需求量数据,分析了网约车出行需求的时间特性,划分了不同的时段类型,并得出工作日与非工作日需求量的差异性。然后在此基础上进行分时段的网约车出行需求空间特征分析,为网约车短时需求预测提供了依据。为了能够准确捕捉到网约车短时需求量的时空特性,在综合考虑多种影响因素的基础上,本文构建了 CNN_LSTM_Kalman组合预测模型,该模型具有三个视图(通过LSTM建模未来需求值与近时间点的相关性),空间视图(通过CNN建模局部空间性)和修正视图(来减少预测与真实的误差),通过验证,组合预测模型的预测精度高于单一模型(LSTM预测模型、Kalman预测模型)。最后本文以成都二环区域作为案例,将已经通过验证的组合预测模型应用到实际的预测中,并针对网约车运营平台、交通运营管理以及司机、乘客分别提出了相关的建议。本文的研究成果可以为网约车司机或者相关公司提供一个合理的车辆布局依据。从网约车司机的角度来看,网约车需求量预测可以使其预先获知不同区域的乘客需求,进而去往需求较多的区域,避免了寻客的盲目性;从城市网约车运营管理的角度来看,网约车需求量预测可以得到短时间内不同区域的乘客需求,从而触发前瞻性的匹配和调度行为。