随着我国城市基础设施建设的迅速扩张,居民出行的方式更加多元,出行的范围不断扩大,为了优化城市运转效率、提高居民出行体验,对交通信息的管理与研究迫在眉睫。城市出租车作为流通最频繁的交通运输方式,其每日每时产生的数据汇集成的出租车大数据具有极高的信息提取与分析价值。伴随着计算机运算能力的指数增长和人工智能领域相关算法的不断更新与优化,利用最新的技术和算法研究并挖掘出租车大数中所蕴涵的深层信息、统计分析各项数据的规律、探寻城市热点区域并依据热点区域进行出租车需求预测等,对于出租车运营效率提升、智慧城市建设等具有重大意义。本文基于以上需求从出租车大数据入手进行了如下工作。首先,本文针对出租车大数据原始数据的内容与特征进行数据清洗与处理;使用坐标数据转换算法将原始的WGS-84 GPS数据转换为GCJ-02和BD-09地理坐标数据;提出了一种射线逆地址解析算法,解决了GPS坐标点所属行政区的判别问题,并针对准确率对该算法进行了优化,对区域判别模糊的点进行记录与标记,转变射线方向进行再判断。经实验对比,相较于地图服务商的相关功能,该算法具有更快的判别速度与经济性,并且优化算法在准确率上有较大提升;最后对处理后的数据在时间和空间等维度进行特征提取,并进行研究与分析。其次,从基于GPS数据的聚类算法理论入手,研究了聚类算法的分类以及不同聚类分类下的K-means、BIRCH、DBSCAN和OPTICS等算法原理及步骤,通过对以上聚类算法的实现,对比分析之间的差异与优劣,提出了一种OPTICS+K-means算法,解决了基于密度聚类算法的类为非球形簇,以及基于划分方法的聚类算法无法去除非热点区域噪声点等问题,综合评估该算法更适用于出租车大数据的热点区域聚类。最后,通过研究时间序列分析模型,分别构建了ARIMA、SARIMA和LSTM算法模型,将以上三种模型应用于由OPTICS+K-means聚类算法得出的热点区域,对热点区域需求量进行时间序列预测,并进行对比分析,得出LSTM模型预测结果更加拟合真实数据、准确率更高、误差更小、更适用于出租车大数据热点区域需求预测。