快速发现具有相似出行特征的出行者形成共乘群体,最大化降低城市交通运输成本,是共乘出行领域的研究热点。本文针对共乘出行中的群体发现问题进行深入研究,利用位置预测技术提前预知出行者的目的地,预先规划具有最大共乘率的共乘群组,优化共乘出行。首先,根据城市出行者GPS轨迹分布不均的特征,提出分位数策略进行地图网格划分,并利用基于空间网格标定方法构建出行者的出行特征。然后,针对轨迹数据稀疏的问题,提出LP-Markov(Location and POI Based Markov)位置预测模型。该模型可分为两部分,区域预测,运用轨迹分裂合成算法对原轨迹数据集进行扩充,构建马尔科夫模型进行区域预测;位置细化,引入POI(Point of Interest)数据集,分析不同POI类型在不同时刻的受欢迎度,将该区域内受欢迎度最高的POI所对应的位置作为最终预测结果。最后,为解决共享交通下的共乘群体发现效率低、准确率不高的问题,引入轨迹索引技术,对出行者起讫点(Origin-Destination,OD)轨迹特征扩展R-树构建GeoOD-Tree(Geographic OD-Tree)索引,并在此基础上提出以最大化共乘率为目标的群体发现策略,将共乘群体发现问题转化为查找具有相似的OD轨迹出行者,并运用K最近邻查询(K-Nearest Neighbor)对搜索空间剪枝压缩,优化群体发现效率。本文采用西安市的出租车轨迹集以及覆盖西安市主要城区的POI数据集,分析网格划分策略和网格密度对LP-Markov预测模型的影响,此外,与现有的预测算法对比,实验结果表明LP-Markov位置预测模型在预测误差、覆盖度以及执行效率上均优于weightd-MM和syn-sub预测算法;同时,对GeoOD-Tree的相关参数m进行分析,并对比了与其他传统群体发现算法的性能,结果表明基于GeoOD-Tree索引的群体发现算法在群体发现的准确率、召回率以及执行效率上均优于DTW以及ByPOI算法。