目前我国很多城市都面临着交通拥堵的问题,城市居民出行变得越来越困难,如何有效的改善出租车与乘客之间的供求关系是一个亟待解决的问题。出租车轨迹数据中包含着时间属性、空间属性和载客状态等丰富的信息,通过挖掘这些数据中所潜藏的知识,可以向出租车提供基于位置的服务,对出租车的载客行为作出指导,使人们出行更加便利,让城市的运行更加合理。本文利用了上海市共4000辆出租车一个月的轨迹数据,主要完成了以下研究内容:1)数据处理,通过数据去重、清洗、重新排序等预处理操作,得到选定区域内所有载客点的相关数据,并将地图划分为200m×200m的网格,将载客点对应至相应网格,基于网格的载客点是本文分析的基础;2)对载客点的时空分布建立模型,分析居民的出行规律。提出一种基于网格的高斯混合模型（GGMM）来描述载客点的分布,该模型可以统一载客点的时间属性和空间属性,将不同时空的载客点分成k个基于网格的高斯类别,通过与高斯混合模型和移动周期模型对比,GGMM在拟合准确度和困惑度两个指标上表现最好,对于不同的高斯类别数（5-30）,在困惑度指标上,GGMM比GMM模型要降低6.5%-27.1%,说明GGMM模型可以有效拟合载客点的分布;3)预测基于网格的载客量,对每个网格的载客量建立时间序列,提出一种改进的ARIMA模型预测每个网格的载客量,实验结果表明该模型预测准确度较高且具有较好的短时和长时预测能力;4)载客点推荐,针对现有的基于出租车的载客点推荐系统往往只考虑各个地点的载客量,而没有考虑司机个人偏好的问题,分析了两种推荐模型:基于协同过滤和基于隐含因子的推荐模型,同时考虑到载客时间,在协同过滤模型中增加了时间因子,有效提高了基于用户的推荐模型的准确率,在推荐个数为2时,准确率提高了近10%,之后,本文利用了一种求解隐含因子的矩阵分解算法,实验对比了基于上下文的协同过滤推荐算法,证明此法所得的离线准确率是最高的,在不同的推荐个数下,准确率要高4%左右。最后,提出一种混合推荐模型,将载客量和司机个人偏好同时考虑在内,将预测模型和推荐模型混合,来提高司机的用户体验。