出租车作为公共交通系统的重要补充,在改善出行服务,提升道路运力方面发挥着较为重要的作用。在实际生活中,由于人群活动复杂多样且各区域人口分布不均,这导致人群的出行需求在时间和空间分布上具有较强的随机性和波动性。出租车因无法及时感知人群出行需求,常常引起客运服务的区域性供需矛盾。如何合理分配城市中车辆运力资源,实现客运服务按需供给成为近年来研究的热点。针对人群出行的特点,本文提出一种基于组合神经网络的出行需求短时预测模型,将空间特征预测模型和时序特征预测模型进行结合,分别提取时空变化规律,融合表达出行需求时空特征进而提高区域出行需求预测的准确度。本文的主要研究内容如下:（1）多源数据预处理。对历史出行订单数据进行清洗整理,提取订单中出行时间与上车地点;按照短时预测时间粒度进行时间片的划分,统计各时间片内各区域出行订单数量;对天气数据中连续型变量的缺失信息或异常数据利用均值法进行平滑处理将其进行填补,并将天气类型等字符串数据进行编码转换;根据区域POI信息中各类型POI数量,将区域按照区域功能属性进行分类。（2）出行需求时空特性分析。结合多源数据比较分析不同日期属性和不同空间属性下出行需求的分布特点,研究各个时间段出行需求数量变化的特征以及不同空间属性区域出行需求数量分布情况。进而,对影响出行需求数量的潜在性因素进行相关性分析,筛选出合适的特征变量作为后续预测模型的输入数据。（3）构建出行需求短时预测模型。根据目标区域各时段天气特征数据和历史出行数据基于Bi-LSTM网络建立时序特征预测模型;根据目标区域和其邻近区域历史出行数据以及地理信息兴趣点信息基于Conv-LSTM网络建立空间特征预测模型;最后利用融合模块将两个子模型合并为组合预测模型,使其同时具有获取空间特征和时间特征的能力,提高出行需求预测准确度。（4）组合模型仿真实验与结果评价。利用出行数据集对组合模型性能进行实验评价。首先通过控制变量法对组合模型的多个超参数进行调优,然后分别在不同日期属性下测试组合模型的拟合效果,并进行结果分析与评价。最后将组合模型与传统模型进行对比实验,实验结果表明,相比与传统模型,组合预测模型均方根误差和平均绝对误差百分比都低于传统模型,验证了组合模型通过融合表达时空特性可以提高预测结果的准确度。