随着我国经济的飞速发展,网约车市场的崛起和壮大,极大地满足了人们的出行需求。作为司机和乘客出行的纽带,网约车平台通过为用户提供线上预约的方式将出行透明化、公开化。但在司乘需求中,乘客的出行需求和司机的行驶路线之间存在着较大的沟通矛盾,也成为制约网约车行业发展的重要安全隐患。对于网约车平台而言,如何以减少司乘矛盾事件、提高行业竞争力的角度,为司机规划出满足乘客出行的需求的行驶路线,是平台亟待解决的问题之一。本文从网约车平台角度出发,基于2018年11月成都市二环网约车GPS轨迹、订单、路网、天气等数据,首先通过数据预处理,分析数据的时间和空间分布特征选取合适的道路研究区域,在此基础上以道路平均速度为标准求取每条道路每天多个时间片的短时速度,并对影响短时交通速度的因素进行分析,为短时交通速度预测提供依据;其次,在综合考虑速度影响因素的前提下,本文构建了深度学习CNN-GRU组合模型对道路的短时交通速度进行预测,该模型利用CNN提取速度数据的空间特征,GRU提取速度数据的时间特征,实验证明组合模型的预测精度好于单一的GRU、CNN模型预测精度;最后,本文以乘客的出行费用最小为目标,利用改进的蚁群算法将速度预测结果与路线优化进行结合并应用于实际的道路区域中,实证结果表明改进的蚁群算法在迭代效率和出行费用方面都优于普通的蚁群算法,说明改进的蚁群算法能够为司机推荐实时最优的行驶路线。本文研究的基于短时交通速度预测的网约车行驶优化路线,于乘客而言,可以节省用户出行时间、降低出行成本,降低行程耽误的可能性,使得出行更加通畅便利;于司机而言,可有效的减少与用户之间的矛盾,降低与用户因沟通不致发生矛盾的可能性,降低被投诉的可能性,提高出行服务水平;于网约车公司而言,可有效的降低司乘之间的矛盾,减少司乘纠纷成本的投入,增强用户粘性,增强行业竞争力,提高社会公众的认同感和行业地位。