交通预测是智能交通的关键技术,也是交通智能管控的重要依据。出租车是城市公共交通的重要组成部分,网约形式出租车的发展使出租车数量逐渐增多,但供需不平衡问题仍然存在。出租车需求量预测有助于合理的车辆预分配,辅助交通疏导,减少时间与资源浪费,进而迈向生态交通。但不同区域出租车需求量模式的显著差异、人群出行习惯和天气条件的不同、出租车需求量的时空依赖特性,都导致出租车需求量预测成为挑战性的问题。城市运行积累了海量多源异构数据,其中蕴藏了与出租车需求相关的区域特征和人群出行等信息。因此本研究基于城市多源数据,分析出租车出行的相关性与时空规律,构建区域自适应的时空网络预测模型,实现城市规模出租车需求量预测,主要工作如下:1)城市多源数据处理与分析。本研究使用出租车历史订单数据、城市空间数据（POI数据、路网数据、人口统计数据）、天气数据和时间属性数据,设计数据处理方法,为数据融合奠定基础,得到城市各区域的特征。基于处理后数据,分析出租车出行与城市空间数据及天气的相关性,挖掘出租车出行的时空分布特征,相关性和时空特征将作为预测模型搭建与实验设计的依据。2)区域自适应的时空网络预测模型构建与验证。本文提出一个基于多源数据的区域自适应的时空网络预测模型,来预测城市各区域的出租车需求量。模型通过卷积LSTM来学习时空特征;模型分支基于像素自适应卷积技术,根据区域的POI、路网和人口特征计算区域自适应核,得到随区域变化的参数,实现模型区域自适应;各分支基于权重矩阵的方法融合,并进一步融合天气和时间属性信息。通过模型对比验证本文模型的优越性与多源数据融合及区域自适应的有效性。3)城市规模出租车需求量预测结果与分析。本文基于成都市真实数据,全面讨论模型的预测结果。首先展示并分析在不同区域和时间的预测结果及预测误差,预测结果与真实值接近,预测误差较低且平稳,表明模型的稳定性高。随后改变空间分辨率和时间序列输入,分析不同实验设置对预测结果的影响。最后分析了区域自适应指导模板与自适应核在预测中的作用,区域自适应的模型能够在预测时保证区域异质性,提升预测精度。本文针对城市规模出租车需求量,基于多源数据,实现出租车需求量相关性分析与时空特征挖掘,在此基础上结合像素自适应卷积技术,提出区域自适应的时空网络模型,实现准确且稳定的城市级出租车需求量预测。