随着中国经济的持续增长,城市化进程日益加快,城市规模急剧扩张,机动车的需求也随之增加。但由于城市空间受限、交通设施建设速度相对缓慢、城市交通出行需求旺盛等原因,城市交通问题日趋严重。交通拥堵、资源分配不均、能源浪费等一系列城市交通问题已经成为制约环境治理、经济发展和社会生活效率提升的关键因素之一。通过对现有城市交通状况的调查分析发现,城市公交与出租车作为城市居民的主要出行工具,在公共交通站点选址及路线规划中还存在较大问题,如公交站点的设置无法良好地满足城市居民的实际出行需求、出租车空载率过高造成严重的城市交通资源浪费,同时导致交通拥堵等问题。在如今大数据时代的背景下,基于全球定位系统(GPS)的出租车数据为更好地实现城市公共交通站点选址和路径推荐提供了可能,通过大数据分析能够有效合理地解决现有交通问题。本研究通过对出租车GPS数据的分析,挖掘人们出行规律及司机载客特征,优化聚类算法和前景理论,实现城市公交站点选址及出租路径的推荐,从而有效地缓解现有的交通问题,提升城市交通运行效率。本文在城市交通问题日益严重的背景下,通过分析海量GPS出租车数据,提出了基于聚类算法实现公交站点选址和基于前景理论实现出租路径推荐,通过海量数据分析解决交通问题。本文贡献如下:(1)提出C-DBSCAN算法:在已有的DBSCAN聚类算法的基础上,引入球面距离来提升交通出行距离计算的精确度,同时通过计算聚类中各点的经纬度均值确定聚类中心点,以此改进DBSCAN聚类算法;(2)实现基于聚类算法的公交站点选址:基于海量的出租车GPS数据,通过引入改进的C-DBSCAN聚类算法,分析出租车上下车的停靠特征,以此分析人们的出行规律并获取载客热区,通过对载客热区的分析实现公交站点选址;(3)实现基于前景理论的出租路径推荐:构建前景理论路径推荐模型,依据载客热点构建路网并筛选候选路径,并向空车司机推荐最大前景值的路径,由此实现满足司机个性化载客效用的路径推荐(载客效用用于衡量载客效率,以载客路程和寻载客总时间之比确定载客效用值)。在前景理论模型中,通过分析一定时间段内空车司机的历史载客数据获取各个司机不同的预期载客效用,并将其作为参照点;通过分析对应时间段内各个候选路径上的载客热点、路口及路段的载客效用确定价值函数,并以其载客概率确定决策权重函数,最终确定当前时间段内该司机在该候选路径上驾驶的载客前景值,由此以前景值最大为原则实现路径推荐(考虑空车司机对推荐路径所产生效用的心理满足程度),从而有效降低空载率,实现资源的优化配置。综上,本文提出的基于聚类算法的公交站点选址和基于前景理论的出租路径推荐,将有效地实现站点选址、降低空载率、缓解城市交通问题、优化城市资源分配、提升交通运行效率,相信本文的研究可以为日后解决类似问题提供有益的参考价值。