出租车因其灵活、便捷的特点，逐渐成为备受城市居民喜爱的一种出行方式。随着在线打车平台的出现，“车寻人”的传统出租车运营形式逐步转变为乘客叫单和司机接单的“按需出行”模式，并催生了网约车和顺风车等行业。然而由于司机和乘客之间供需关系的时空动态变化性，“打车难”的情况时有发生。通过挖掘历史打车订单数据中的有效信息并精确预测未来的打车需求分布，可提前合理配置出租车 (网约车) 资源，缓解供需不匹配的问题，对于提升居民的出行效率具有重要的意义。出租车需求在时间上波动性较强且受早晚高峰影响，空间上分布差异大且区域间依赖关系复杂，同时还受到天气、节假日等因素的影响，因此精确的出租车需求预测面临着严峻的挑战。
       本论文利用纽约市出租车订单记录数据集，对出租车上下车需求的相关性、不同区域间需求的异质性进行了分析建模，并基于深度学习理论发展出两种新颖的出租车需求预测模型。本文的主要研究工作如下：
       1. 出租车订单记录数据处理与分析。通过对时间和空间离散化得到出租车需求的定义，并据此对订单记录进行处理和汇总，构建可用于出租车需求预测的标准数据集；对出租车需求的时空分布进行可视化，以直观理解城市居民的出行特点，并简单分析出租车需求的变化规律。
       2. 基于上下车相关性和多任务学习的出租车需求预测。考虑到出租车需求在一天中不同时间段具有明显不同的变化趋势，设计了一种时间特征编码器，可从出租车需求数据中提取出与时间相关的特征表示；在此基础上，考虑到出租车上车需求和下车需求的时空相关性，提出了一种并行多任务深度学习模型来对出租车上下车需求进行协同预测；实验结果表明，该模型可有效利用两种需求间的相关性并提升预测精度。
       3. 基于区域异质性和多层次学习的出租车需求预测。针对出租车需求的区域异质性，基于 Spearman 相关系数和成对聚类理论，开发出一种出租车区域聚类算法，可以将出租车需求相关性较高的区域划分为同一个簇；提出了一种多层次循环神经网络预测模型，包含簇级别预测网络和全局级别预测网络两部分，分别提取簇内相关性特征和全局共享特征，并使用加权的均方误差来计算损失函数；实验结果表明，该模型可有效感知区域异质性信息并提升预测性能。