城市交通系统影响着城市发展的节奏,随着城市经济的发展和人类生活习惯的不断改变,人们的出行需求量逐年提高,城市客运交通系统的压力也持续增长。出租车作为城市客运交通的重要补充和组成,也承担着更为繁重的运输任务。出租车合乘是一种提高出租车运输效率,缓解城市交通压力的有效手段,也是在基本不改变现有的交通设施的基础上,增加城市客运交通系统运力的可行方式。合乘也对减少交通污染和降低能源消耗有着重要意义。本文首先对上海市海量出租车的轨迹数据进行了预处理,得到了出租车的OD数据。通过聚类算法对出租车的OD数据进行空间聚类,划分区域,统计需求;采用人工神经网络模型预测需求数据;建立考虑未来预测需求的出租车合乘模型和路径选择算法并验证模型和算法的有效性。主要研究内容如下:(1)对上海市海量的出租车轨迹数据进行了数据清洗,将轨迹数据中的缺失、重复、信息错误的数据进行处理。再通过分析处理后的轨迹数据,得到了出租车的OD量。之后通过K-means聚类算法对出租车的OD数据进行空间聚类,再使用泰森多边形生成算法对上海市进行区域划分,统计各个区域的OD数据。(2)将OD数据进行时间序列的划分,并且收集天气、节假日等明显对出行有影响的因素进行特征工程,采用深度神经网络预测区域需求数据。(3)以系统总成本和潜在收入为目标,设计考虑未来预测需求的出租车合乘模型和路径选择算法。最后,基于上海市的路网数据和预测需求数据作为测试集,验证模型和算法的有效性。本论文着眼于出租车的合乘路径问题,考虑了未来的潜在需求。为了更好地预测出需求,利用了出租车轨迹大数据和神经网络模型。将预测需求应用于路径决策过程中。实验结果表明,利用大数据的预测结果,也可以有效地优化出租车的合乘路径。