随着“智慧城市”的提出和数据分析技术的快速发展,智能交通成为建设现代化城市必不可少的一环,而在城市交通系统中出租车发挥着不可替代的作用。由于出租车营业具有很强的随机性以及缺乏合理的调度,使得当前城市出租车面临着高空载率和低运营效率等缺陷,对交通系统造成道路拥堵和环境污染等严重的城市问题,在智能交通领域对出租车运营系统的研究占有很大比重,是实现“智慧城市”的重要环节。研究出租车运营系统的目的是实现出租车和乘客最大程度的匹配,降低出租车空载率,提高运营效率,减少乘客打车等待时间。与城市出租车载客相关的技术受到国内外广大研究者的关注,针对出租车寻客的不确定性,本文通过数据分析预测未来乘客数量并为司机提供合理的载客策略从而提高出租车运营收益。针对载客热点的乘客数量预测,本文研究了出租车的乘客预测方法,根据出租车历史轨迹数据来预测热点区域的乘客数量。首先,在经过对原始数据的预处理后,基于数据中载客状态的变化,提取出租车载客点。然后,结合载客点的分布特征,提出用K-Means和DBSCAN结合(K-Means and DBSCAN,KAD)的方法进行热点聚类并按时间段提取热点中乘客人数信息。最后,考虑到热点的乘客信息具有时间序列的特性,提出基于循环神经网络的分段预测方法(Segment Prediction Based on RNN,SPBR),通过多次分段预测以降低预测误差。基于SPBR的预测结果,为了提高出租车的整体收益,本文将马尔可夫决策过程(Markov Decision Process,MDP)应用到出租车载客领域,提出基于分时马尔可夫决策过程(Time-varying Markov Decision Process,TMDP)的载客推荐模型。研究了TMDP各参数的提取和计算方法,然后采用策略迭代算法求解TMDP用于寻找最优策略并将其推荐给出租车。最后,在热点乘客数量预测方面,首先对SPBR以及SVR、CART、BP神经网络进行了预测仿真和比较,结果表明SPBR的预测误差明显低于其他三种算法,然后从多方面入手,分析了影响SPBR预测性能的因素。在载客策略推荐方面,通过对TMDP的仿真得到了出租车在每个热点区域各时间段中的最优载客策略,与历史数据相比,经过TMDP推荐后的期望回报明显提高,从而实现了出租车收益的提升。