城市是人类移动与地域环境长期影响的结果,其居民的出行行为与城市各个区域的特征密切相关。由于城市中一些特定区域对人们具有吸引作用,因而形成了城市区域吸引力（Area Attractiveness,AA）分布,这与城市人群移动和城市生活节奏密切相关。随着城市化和机动化的快速发展,越来越多的人选择购买私家车前往特定区域,来满足他们的日常出行需求,从而导致了城市区域吸引力的时空演化,以及城市空间上一些热点区域聚集效应的形成。对于决策者和研究者来说,理解人们出行和城市区域的关系有益于智能交通和基于位置服务的广泛应用,例如交通控制、POI和广告推荐、停车规划等等。观察发现,人们在工作日出行时往往表现出规律性的时空流动模式,但在周末,人们的出行受到各个因素的影响更大,比如天气状况等等,从而出行随机性较强,目的地集合各不相同,因此预测难度大,另外,私家车的停留时间（Stay time）是反映聚集效应的一个重要的时间特征,但在之前的研究中往往被忽略。本文拟重点研究基于私家车轨迹数据的城市区域吸引力的变化和特殊时段城市区域聚集效应的变化。但在动态的城市坏境中,城市区域吸引力和城市区域的聚集预测面临着巨大的挑战,主要有1)如何建模城市区域吸引力和城市区域聚集效应的空间分布特征,2)如何融合多源数据进行有效地预测,3)如何针对节假日期间,人们出行随机性较大的情况进行有效的预测。为了解决以上问题,本文采用了变分贝叶斯高斯混合模型（Variable Bayesian Gaussian Mixture Model,VBGMM）对城市区域吸引力进行空间分布的建模,并且用长短时记忆网络（LSTM）拟合基于时间序列的吸引力分布变化,并在神经网络中随机失活神经元来提高网络的泛化能力,增强模型的预测效果,加快神经网络的训练速度;在节假日的城市区域聚集效应的建模中,本文将时间表征、空间表征、外部嵌入融合起来;采用了改进的基于log-cosh损失函数的核密度估计（Kernel Density Estimation）算法来建模空间特征,应用了对数正态分布建模停留时间,与空间特征融合起来,将天气状况作为外部特征,输入到神经网络,运用GRU模型建模时间序列的变化;为了应对聚集效应低熵规律状态,本文加入了NALU模块,增强模型的数值外推能力。因此本文的主要贡献如下:1)采用了VBGMM和LSTM分别对吸引力空间分布和时间序列建模,利用dropout提高网络的泛化能力,加快神经网络的训练速度;2)采用了 log-cosh损失函数的核密度估计算法和对数正态分布来建模空间特征和停留时间,设计了时空注意力融合模块,增强模型的预测能力;3)考虑天气状况作为外部特征嵌入,运用GRU模型建模时间序列的变化;4)利用NALU模块增强了模型的数值外推能力;5)本文以真实世界的私家车轨迹大数据进行了实验,结果表明本文所提方案优于现有的研究方案。