常规出租车通常以巡游的方式运行,在随机变化的乘客需求面前,其捕客主要凭借经验,整个城市容易陷入出租车空载率居高不下,而乘客却打车难的困境。随着网约车等互联网+交通的快速发展,司机和乘客之间通过互联网平台的沟通,人车匹配程度得到了显著的提高,但其海量的数据并未得到充分的利用,在数据挖掘分析的支撑下,城市的出租车资源动态调度能力还可以再上一个台阶,进一步提高出租车的利用率,促进城市交通拥堵的减缓和空气质量等生活环境品质的提升。本文考虑将常规出租车和网约车整合到同一调度平台上,利用物联网技术,实现出租车与调度中心的互联互通,通过实时调度或推荐出租车的巡游区域,来提高出租车的载客率。在出租车的调度问题上,现有研究多是从出租车与乘客的时空匹配上,以出租车行驶成本最小化为目标函数构建调度模型,采用精确求解法或采用启发式算法求解。该方法具有准确性高、优化效果好的特点,但当车辆规模较大时缺乏一定的适用性,且不能满足实时调度的需求,应用效果受限。而目前城市内出租车的规模大多已上万辆,数据规模较大,实时调度要求较高。因此,本文采用先聚类、后调度的方法,将大规模的乘客上下车点通过合理的聚类方法,集成到带有容量属性的网络节点上,构建网络模型,求解得到使出租车空驶成本最小的网络结构及调度方案。论文具体的研究包括:(1)利用GPS轨迹数据挖掘乘客行为,分析出租车运营状态。充分利用城市出租车GPS轨迹数据,构建基于关键点识别的乘客上下车行为挖掘模型,提出出租车实际行驶距离、时间和速度的计算方法。(2)构建以出租车空驶成本最小为目标函数的调度网络模型。为降低调度复杂性,通过聚类方法减少调度网络中的节点数量,提出基于集合覆盖模型的最小聚类簇数确定方法以及基于聚类分析的网络节点选址方法。考虑实际路网中的空驶成本,赋予网络边权值,结合网络拓扑结构的约束条件,在满足区域内所有司乘匹配需求的基础之上,构建调度网络模型,通过Matlab优化工具箱求解得到网络的结构及节点之间的司乘匹配方案。(3)以成都市为例通过应用调度网络模型,分析模型的准确性和有效性。以优化前后出租车的空载距离为评判标准,设计对比实验进行分析,通过与精确模型应用效果对比,分析模型的准确性和时效性,对调度车辆规模、时间等参数调整,进而分析模型的敏感性。结果表明,通过应用该方法进行调度优化可使出租车的空载距离减少11.4%。设计对比实验进行分析,得到结论如下:本方法与精确求解方法相比,不同数据规模下可减少90%及以上的求解时间;随着数据规模的扩大,优化效果提升比由11.4%增加到17.8%,当数据的量级发生变化时,优化提升的效果更为显著;连续实时优化时,总体优化效果介于8%—15%之间,模型优化效果较稳定,适用性较好。本文的研究成果可解决大规模车辆下的出租车调度问题,运行效率较高,可为现实中出租车的调度管理与运营提供思路和参考。