网约车凭借快捷和高质量的服务逐渐成为人们重要的出行方式。然而,空载或供不应求现象仍十分严重。预测乘客对网约车的需求,既可以提升乘客的出行体验,又能够帮助管理者更精准地实施管理策略。本文在已有研究的基础上,基于网约车平台的数据特征构建网约车需求预测方法,旨在实现准确、科学的需求预测目的。主要研究内容如下:首先,从交通系统聚类研究和网约车需求预测研究两个角度,对国内外文献进行阐述。然后对网约车订单数据进行预处理,从多个角度获取详细的网约车需求分布特征。其次,从时间维度和空间维度分别对网约车订单数据进行聚类分析。在深入分析常用聚类算法优缺点的基础上,构建IDWPSO-K-means算法。从时间维度方面,本文分别基于时段特征和日特征,对网约车需求数据进行聚类分析,提取相似性特征。从空间维度方面,本文对经纬度数据进行聚类分析,划分空间区域。在此基础上进行对比试验,从而验证算法的有效性,并为后文网约车需求预测提供基础数据的支撑。最后,对网约车需求进行预测。通过对预测相关算法进行总结分析,构建时间维度下基于两种不同数据模式（时段特征和日特征）的改进GA-SVM网约车需求预测模型。而后基于聚类分析的结果,分别构建时间维度和空间维度下两种不同数据模式的IDWPSO-K-means+改进GA-SVM网约车需求预测模型,并进行对比分析。通过确定各模型的权重系数,分别构建时间维度和空间维度下的组合预测模型,并进行对比试验。试验结果表明组合预测模型的预测准确度最高,IDWPSO-K-means+改进GA-SVM网约车需求预测模型次之。