出租车是城市公共交通的重要组成部分,采用环保、高效的电动出租车是实现交通领域碳中和的一个重要措施。与传统内燃机车辆相比,电动出租车具有较长的充电时间和充电排队时间,降低电动出租车运营效率。同时,城市中出租车出行需求与充电设施服务能力的时空动态变化、电动出租车运营过程中不同决策动作之间的相互、长期影响,使得电动出租车的运营决策相比传统内燃机出租车更加复杂。为此,本研究基于时空图网络和强化学习构建电动出租车运营优化模型,以提高电动出租车的运营效率,从以下三个方面开展研究:1.基于出租车轨迹数据提取居民出租车出行需求,分析出行需求的时空分布规律,使用多源数据集分析出行需求与天气、POI、路网密度等外部因素之间的相关性。在此基础上,构建图卷积网络建模出行需求的空间相关性,利用Transformer Encoder建模出行需求的时间相关性。顾及外部多个因素影响,建立时空图网络模型进行出行需求预测。通过预测未来出行需求的时空变化,服务电动出租车运营智能优化。2.在出行需求预测的基础上,顾及出行需求的时空变化,提出电动出租车运营时空策略,包括调度、充电和奖励策略。针对电动出租车-出行需求-充电设施交互的复杂、长期运营过程,构建适合电动出租车运营特性的马尔科夫框架,并结合运营时空策略建立适应电动出租车复杂运营特性的改进强化学习模型,实现电动出租车运营智能优化。3.分析出租车运营平台的业务与需求特点,通过设计信息收集、优化决策、预测调度、可视化和数据存储等功能模块,基于Web框架实现电动出租车智能运营原型系统,具有一定的实际应用价值。总体而言,本研究按照“预测-优化-应用”的步骤进行电动出租车运营智能优化。在轨迹数据分析的基础上建立了出行需求预测模型、电动出租车运营优化模型,设计和实现了电动出租车智能运营系统。研究成果有利于电动出租车的推广与利用,进而构建高效、节能的交通出行方式。