近年来,互联网汽车共享服务的迅速发展满足了人们对于舒适、便捷的交通方式的需求,但大量的网约车加剧了城市的道路拥堵、环境污染和资源消耗。网约车拼车服务使一辆车能够同时服务多位出行路线相似的乘客,减少非必要车辆出行,缓解交通压力。但是,现有的动态拼车匹配算法忽视了潜在的乘客出行需求,导致车辆的拼车载客率较低。因此,研究潜在乘客的出行规律并提出基于出行需求预测的动态拼车匹配算法具有较大的意义。此外,在乘客出行需求已知的情况下,最大程度地减少所需车队规模被称为最小车队问题。现有的最小车队规划方法没有与拼车方式相结合,无法进一步降低所需车队规模,也没有顺应共享出行的发展趋势。因此,研究拼车方式下的最小车队规划方法对减少出行车辆规模、对未来共享自动驾驶服务行业提供科学的参考具有较大的实际意义。综上所述,本文的主要研究内容如下:（1）为了获取潜在的乘客出行需求,本文提出一种基于区域相似性的动态集成预测算法（Ensemble Method with regional Similarity and Diversity enhancement,EMSD）,该算法增加了相似区域的历史出行数据,为目标区域的需求预测提供有效输入信息,并使用数据集子集生成基础回归模型,提升集成算法的多样性。实验结果证明在武汉和旧金山数据上,EMSD的s MAPE值分别降低了1.1%和2.3%。（2）针对实时网约拼车率低的问题,本文结合EMSD算法预测的出行需求,提出了一种基于出行需求预测的动态拼车匹配算法（Ride-matching based on Travel Demand Prediction,RTDP）。该算法以拼车载客概率最大化为优化目标,在满足乘客等待时间、绕行时间与出行车辆容量等约束下,完成多车辆与多乘客之间的最优匹配。实验结果证明,在旧金山和武汉数据上RTDP的拼车率分别提高了8.5%和7.5%,乘客服务率分别提高了9.5%和6.7%。（3）针对现有最小车队规划方法没有迎合共享出行的发展趋势且无法进一步降低车队规模的问题,本文提出了一种面向预约车拼车的最小车队规划方法（Minimum Fleet Planning for Ridesharing,MFPR）。在获取所有用户出行需求的前提下,该方法能够挖掘拼车乘客间的共乘关系并构建拼车行程的拓扑关系图,然后通过求解拓扑关系中的最小路径覆盖计算最小车队规模。实验结果证明,在旧金山和武汉数据上MFPR分别能节省实际车队规模50.6%和75.7%,比W/O-Sharing方法节省32%和33%。