随着经济的高速发展，城市的发展也越来越快，人口也不断增加，随之而来的交通问题成为了各大城市亟待解决的问题。现代科技的不断突破，信息技术的发展使得人类进入大数据时代。由于GPS应用逐渐扩展到民用领域，产生了大量居民出行轨迹信息。这些信息相对于传统对居民出行调查得到的信息来说，精确度更高，数量更大，能够为大规模分析研究居民出行行为特征提供数据基础，而对居民出行行为特征的分析能够为一个城市的交通规划提供坚实的数据支持。出租车作为城市交通系统的重要组成部分，其需求量的预测能够很好地为交通部门对出租车行业进行管控提供方便。在预测出租车需求领域引入空间回归模型，能够更加精确地预测出租车需求。　　本文以西安市出租车GPS数据为研究对象，通过对出租车GPS数据的处理，分析出居民出行的时空特征，验证了西安出租车客流的空间自相关性，并且选择了若干个对出租车客流影响较大的因素，分别建立线性回归模型、空间滞后模型和空间误差模型进行比较。　　主要研究内容如下：（1）对西安市出租车GPS数据进行预处理得出可以用于分析居民出行行为时空特征的有效数据；（2）分析已处理的数据，得到西安市居民出行行为的时空特征；（3）对空间自相关性的提出和检验方法两方面进行理论部分的说明，进而说明了空间权重矩阵的定义方法，最后用实例证明西安出租车客流的空间自相关性；（4）选择出对出租车客流有较大影响的影响因素，接着分别用线性回归模型、空间滞后模型和空间误差模型进行客流建模分析，最后比较三模型得出相关结论。　　研究结果表明：（1）居民出行行为不仅在时间上具有规律性，在空间上也具有一定的规律性。时间上，就日出行总量而言，休息日的出行总量明显要高于工作日的出行总量，工作日在各小时内的出发次数普遍低于休息日的出发次数，工作日的早晚高峰时段明显表现出了出行时间较长的特征。空间上钟楼、小寨、西安站一直是出发和到达的热点区域，另外一些区域成为出行热点是具有时间性的，总体来看客流分布与用地性质有较大联系。（2）西安市中心城区出租车客流从整体看具有空间自相关性，从局部看，从局部上，H-H集聚与L-L集聚在空间上比较稳定，H-H集聚基本呈现在南郊航天城等地、东郊电厂西路等、中部高新产业园等以及北部张家堡附近，L-L集聚主要在城市边缘地区，且集聚性随着时间的推移而导致空间自相关性呈波动式变化。（3）在客流存在空间相关性时，空间回归模型，相比较线性回归模型，各自变量对因变量解释能力更强，方程拟合的更好。路网密度、公交站点数量、停车场数量、零售点数量四个自变量均对出租车客流起增加作用。