近年来,随着移动互联网技术的快速发展,在各种应用服务平台中移动位置的获取与收集变得尤为容易。为向用户提供更加人性化的服务,通过对搜集过来的空间位置数据进行分析与学习,通过分析出租车所产生的数据能够助力于交通规划、交通监控以及位置推荐等应用。若直接发布基于原始出租车数据训练出的模型可能会导致个人信息泄露,毕竟出租车数据包含着丰富的用户个人敏感信息。将训练出的模型不做任何保护措施直接提供给第三方数据管理者或搜集者分析与研究,用户个人信息可能会被泄露。针对上述问题,一种极为严谨的隐私数据保护差分隐私方法应运而生,差分隐私因不依赖攻击者所获得的背景知识且因具有极强的保护能力而受到广泛的研究。在差分隐私保护下的回归分析方法已得到研究者的广泛关注。回归分析是机器学习中一个重要的研究工作,回归分析能够预测用户打车时间、地点等行为。针对差分隐私模型下的回归分析问题,论文以出租车数据作为研究对象,在满足差分隐私下使用回归分析方法预测出租车费用与出租车需求量。针对出租车费用预测问题,论文提出了DPAA(Differentially Private All-attribute Algorithm)、DPDA(Differentially Private Distance-attribute Algorithm)、DPSA(Differentially Private Single-distance Algorithm)三种模型参数计算方法。DPAA方法把出租车起始位置与结束位置所对应的经纬度作为敏感属性,其余属性为非敏感属性且分别对其所形成的多项式系数添加噪音,结合噪音系数与目标函数求解模型参数;DPDA方法先在满足差分隐私条件下利用余弦定理与haversine公式把起始位置与结束位置的经纬度转换成球面距离,再把球面距离作为敏感属性且与剩余非敏感属性求解模型参数;而DPSA方法只使用球面距离作为敏感属性求解模型参数。实验结果表明,上述方法预测精度均优于同类算法。针对出租车需求量预测问题,论文提出了一种在差分隐私下的基于光滑敏感性与合成训练集的出租车需求量预测方法TDDP(Taxi Demand prediction with Differential Privacy),该方法包含OP(Output-based Perturbation method)与OFP(Objective-Function-based Perturbation method)两种线性回归模型参数方法,两种方法均先通过连接操作将多个数据集合成满足差分隐私的训练集,再利用geopy地理编码库将出租车的起始位置转换所对应的区域编码;最后结合含有区域编码属性的训练集计算模型参数。实验结果表明,上述方法其预测精度均优于同类算法。