随着经济的快速发展,城市的规划以及建设速度远低于车辆的增长速度,与之而来的就是道路拥堵。由于选用公交地铁这种公共交通方式出行时上下车地点和时间会受到一定的限制,追求出行便捷性和灵活性的乘客往往会选择出租车出行,但在一些高峰时段和路段常常会有“打车难”的现象发生。这一现象发生的主要原因是出租车与乘客供需关系不平衡,仅通过增加出租车投放数量并不能从根本上解决这一问题。互联网和GPS技术的普及,为打车平台的发展提供契机的同时也为打车数据的收集提供了便利,应用关联规则挖掘算法可以总结乘客出行规律,通过对出租车乘车需求的预测,以减少出租车的空载率,帮助乘客快速找到出租车,基于此平衡供需关系,完成出租车的非拼车调度。与此同时,拼车这一种新颖的出行方式逐渐被大众所接受,拼车出行在一定程度上可以减少交通拥堵和空气污染,也可以帮助乘客节约车费。针对拼车调度系统的研究,主要是为了解决乘客与出租车的动态匹配和调度问题,相比非拼车调度更加复杂,对于数据处理的实时性要求更高,匹配过程中也会涉及更多的约束条件。对于出租车需求预测问题,可以通过空间关联规则挖掘分析乘客上下车情况的时空分布规律。关联规则挖掘过程中最为耗时的是频繁项集的计算,面向海量的交通数据应尽可能提高计算速度,针对CUDA框架的计算特点通过图连接方法和位图动态队列将频繁项集挖掘算法应用于GPU加速可以实现较大的性能提升。经过对比实验,我们的优化算法应用于较大的Accidents数据集时,相比经典Goethals版本的Apriori算法可以实现63x的加速比,相比经典Bodon版本的Apriori算法可以实现19x的加速比,且当当事务数据集较长时,我们的优化算法性能表现更好。对于拼车调度系统,本文通过统计历史打车数据总结各时段的热点区域,根据每个时段的热点情况,针对打车热点提高地理位置划分精度,以得到最佳范围的出租车候选集。对于热点区域引入速度衰减区,并描述了基于速度衰减区的行车时间计算方法。通过Taxi Request Generator模拟器根据北京真实时空分布的出租车历史请求生成的共203047条打车请求对由该优化方法实现的拼车调度系统进行验证,实验结果分析说明,在不影响用户平均满意度且不明显降低系统服务率的前提下,该优化算法实现的拼车系统其计算量相较于不应用出租车候选集搜索策略的拼车系统所需的计算量平均减少了70.73%。