随着大数据和人工智能系统的飞速发展,交通拥堵这一问题促使人们对日常出行有了更高的要求,而对出租车未来订单进行预测则正是解决人们这一需求的有效手段之一。近年来,为了提高出租车市场管理、出租车营运效率、乘客乘车便利度的最大化,业界学者都提出了诸多解决方法。对出租车未来的订单产生进行预测,即是通过对过往历史数据进行分析,从而对未来出租车订单情况进行预测,这一预测不仅可以对出租车市场管理效率及效益获得提升,更大大便利了乘客的出行质量,这对城市交通管理、以及人民出行安排都提供了合理建议。然而,当下对出租车订单进行预测的方法还存在诸多不足。大部分的出租车订单预测的方法只针对时间序列进行特征学习从而对未来进行分析;其他预测方法虽然对此进行了改进,或对时空特征进行了信息提取以对未来交通流量进行预测,然而这二者都有其各自的不足:前者对在信息采集时缺失了大量信息,后者则因信息提取方法不足够完备,这两种方法都对预测的准确性带来了不好的后果。针对上述问题,本文提出了两种基于深度学习的出租车订单预测方法。第一种方法是对真实城市地图图像进行栅格化处理,从而得到了像素化图片,利用全球定位系统获得了大量的出租车车辆时空轨迹数据,通过出租车行驶轨迹以及乘客上下车的分布特征,设计了一种VGG-FCN模型,对未来不同时空下不同地区的出租车行驶路线进行了预测,在对模型的参数进行优化的同时,保证了模型的精度不曾降低。另一种方法是GCN-LSTM方法,在将城市道路地图转化为线图后,对出租车订单数据的时间和空间都进行了特征提取,并对未来出租车订单情况进行了预测。本文提出的方法可以同时对多个区域的未来订单数量进行预测,在与代表性方法进行对比实验之后,在多个评价目标上均得到了较好的提升。