出租车运输网络作为我国现代化的城市交通运输网络体系中的关键组成部分,弥补了目前公共交通方式与私人交通方式在短途旅游、定向通勤等方面存在的不足。信息技术的发展催生了各类平台化应用的构建,推动了5G时代“万物互联”的进程,得益于互联网技术发展的浪潮,出租车GPS信息的收集越来越便捷,大量的GPS数据在数仓中不断堆积,GPS数据挖掘的成果以应用为载体正在日常生活的不同层面发挥作用。这些应用中包含的新兴技术和服务为人们的生活带来方便的同时,也加速了交通大数据的智能挖掘与应用研究的进程。本文围绕出租车GPS数据的智能挖掘与应用研究,针对其中交通大数据的时空特征预处理、热点载客区域实时巡航、高频热点轨迹路况预测等问题展开研究,并提出具体的研究思路和解决方案,这些研究成果可以服务于相关行业并创造经济价值、社会价值。具体而言,本文的主要研究内容可以概括为以下两点:1.针对出租车司机依靠个人经验无法进行高效巡航载客的难题,提出了一种基于时空划分改进K-Means算法的实时巡航模型。该模型由三层架构组成,首先对数据进行预处理,将数据先后按照时间、空间维度分割成数据时空分布子集,然后提出改进的K-Means算法并进行热点聚类,利用路线规划服务生成热点区域巡航策略,最后根据实时的上车人数,计算热点权重,实时更新巡航轨迹。实验结果表明基于时空划分下改进K-Means算法的实时巡航模型所更新的出租车无人驾驶巡航路线在巡航覆盖率,时间有效率,载客路径长度有效率三个核心指标上相对于其他实验组具有明显优势,具有较高的实际应用价值。2.针对基于出租车大数据的路况拥堵预测问题,提出了基于时空轨迹拓扑图的CNN-LSTM路况预测模型。该模型将轨迹信息按照时间与空间维度抽象为有时空特征的轨迹拓扑图,拓扑图解决了路网图不具备平稳性的问题,提取了多种路况影响因子,然后利用CNN提取轨迹交通流空间特征、根据LSTM记忆特性提取轨迹交通流时间特征,搭建CNN-LSTM模型对交通拥堵情况进行预测,并对预测结果进行分析。实验结果表明,本文提出的模型在JT-T809-2011数据集上的RMSE、MAPE、斯皮尔曼相关系数指标上取得了较好的效果。