随着互联网经济的快速发展,网约车成为人们日常出行的重要交通方式之一。网约车凭借其“门到门”的服务满足了居民对出行质量的要求,也解决了公共交通未覆盖区域的居民出行需求。但由于居民出行的随机性,网约车运营存在司机空驶率较高、乘客“叫不上车”的现象。本文基于网约车订单数据,对网约车出行需求特征进行分析,利用改进的DBSCAN算法挖掘出行热点区域,建立单个区域和多区域的出行需求预测模型,最后选择挖掘出的热点区域的出行需求数据进行模型案例分析,验证了模型的有效性。本文的研究对提高网约车平台运营调度水平,缓解供需矛盾有重要意义。本文主要完成了以下几个方面的工作:（1）网约车出行需求特征分析及相关影响因素的确定。明确了论文研究相关问题的定义,对数据进行预处理;从不同星期属性、不同时段分析了出行需求的时间特征;通过对比不同工作日属性、不同时段的出行需求量和载客区域的空间分布分析了出行需求不同时段的空间分布特征;通过对比区域网约车流入量和出行需求量分析了出行需求与历史流入量的时间依赖特征。利用相关性系数对可能影响网约车出行需求的因素进行了分析,确定了预测模型的输入特征变量。（2）网约车出行热点区域挖掘。基于网约车出行需求时空分布特征的分析,对DBSCAN算法参数进行优化,挖掘了研究区域内工作日和非工作日不同高峰时段的出行热点区域,并引入热点指数将热点区域划分为持续性、经常性、偶发性出行热点区域。（3）建立了单个区域和多区域出行需求预测模型。针对单个区域出行需求预测问题,考虑网约车出行需求的时间特征,建立了遗传算法优化的注意力长短期记忆（GA-ALSTM）出行需求预测模型。针对多区域出行需求预测问题,考虑网约车出行需求的时空特征、与历史流入量的时间依赖性,建立了适用规则网格区域划分方式的注意力卷积长短期记忆（AConv LSTM）出行需求预测模型;并针对卷积神经网络只能处理排列整齐的网格结构的缺陷,建立了可以适用不规则区域划分方式的注意力图卷积长短期记忆（AGC-LSTM）出行需求预测模型。最后,选取持续性出行热点区域出行需求数据分别对提出的模型进行实例分析,选取不同的评价指标进行评价,验证了本文提出模型方法的有效性和适用性。图62幅,表31个,参考文献84篇。