信息化和城市化的推进,在给人们带来美好生活的同时,也导致了很多挑战,例如环境污染、规划滞后、资源分配不均、交通堵塞等。一直以来,影响城市发展有众多复杂的因素,但是交通问题是最重要影响因素之一。公共交通的时空分布不平衡以及城市路网周围环境的复杂性为解决城市交通问题增加了难度。随着共享经济和移动互联网应用的不断发展,逐渐产生了一系列的新型城市数据,例如车辆轨迹数据、人群流动行为等。车辆轨迹数据作为城市公共交通的一种数据,在反映城市交通状况的同时,也记录了人流量的趋势。从海量的轨迹数据中发现隐藏的知识已经成为交通问题的重要研究课题,也是交通领域结合人工智能的重要研究内容。本文收集分析了出租车轨迹数据和区域语义数据,本文的区域语义数据主要是的信息点POI(Point of Interest),从出租车和居民出行两个角度对海量轨迹数据时空特征进行了分析和提取,以及提出了叠加信息点的卷积神经网络预测算法。主要创新点如下:1、分析了交通数据的特征,从出租车载客和居民出行两个维度对大量轨迹数据进行挖掘,挖掘出居民出行规律和出租车热点区域。具体分析了出租车的运行特点,挖掘了出租车空载徘徊点、出租车出行点、出租车到达点、出租车空载途径区域、出租车载客途径区域,并进行多种交通信息的可视化。2、利用爬虫技术,爬取了研究区域的大量信息点数据,并对信息点数据进行坐标转换,模式分类,将研究区域划分地理栅格,针对传统的城市出行相关数据特征不足的情况,本文在此基础上叠加了研究区域大量信息点数据,除了考虑传统的数据影响外,也考虑了信息点数据的分布对流量大小的影响。对信息点的数据进行语义分析,并在流量预测模型中加入了信息点。3、针对传统的神经网络不能很好拟合多回归问题的缺陷,本文将传统的流量数据转换为图像或者张量的格式,提出了卷积神经网络的方法来预测区域居民出行流量。综上,本文利用成都市出租车轨迹数据和信息点数据,提出了一种叠加区域语义的卷积神经网络算法,并设计运用了较深层的卷积神经网络结构,对比了BP网络和RBF网络,本文提出的方法结果更好。