随着人类社会的进步与城市现代化的发展,许多城市开始将传统的燃油出租车替换为电动出租车。虽然电动出租车具有节能环保的优点,但也给出租车司机和政府部门带来了困难。一方面,电动出租车自身存在充电时间长、充电频率高、高峰期排队等特性。另一方面,由于高额的成本以及稀缺的土地资源,使得充电站的建设难以落地。即使部署充足的充电站,空间分布不均仍会导致资源利用率低。因此,在实际应用和现实生活中,充电推荐方案相比于直接部署充电站更具有可操作性和挑战性。本文研究并实现了一种基于充电需求预测的大规模电动出租车充电推荐方法。首先,我们基于历史轨迹数据使用循环神经网络和注意力机制实现了三个预测模型来预测电动出租车的充电需求:司机下一个下车点的位置在哪里?在该下车点司机是否会选择充电?如果选择充电,会选择哪个充电站充电?然后,我们同时考虑当前和潜在用户的充电需求,将充电推荐方法建模为一种帕累托优化问题,在实际约束下最大限度地减少了用户的空闲时间（行驶时间+排队时间）。最后,我们使用深圳市为期两周的实际电动出租车数据集,基于所提出的方法实现了一个原型系统并进行了仿真实验。实验结果表明,本文提出的推荐方法能够有效减少电动出租车的排队时间和空闲时间。