城市网约车通过移动互联网实现预约出行的方式,给乘客出行带来极大便利的同时也提高了其综合服务水平。同其它出行方式一样,由于时空分布的不均衡性,依然存在类似货运车辆路径问题（Vehicle Routing Problems,VRP）的“网约车从一个运输任务结束点到另外一个任务开始点的空载和乘客可能的等待时间”现象,使得减少这些成本费用成为进一步提高网约车综合服务水平和减少相关利益主体成本的关键。而实现这一点,就必须建立在已有预约信息基础上,结合网约车历史大数据,采用数据挖掘技术,对乘客出行起讫点OD（Origin and Destination,OD）精确地多步预测,通过网约车平台的智慧调度系统快速优化计算,对各车辆任务在空间和时间上予以合理分配。基于此,考虑到已有的网约车需求预测研究多集中于单步预测,且较少利用预约信息,提出一种基于注意力机制序列到序列（Sequence-to-Sequence,Seq2Seq）的网约车OD多步预测方法,以西安市网约车（快专车）为例进行应用分析。具体内容为:（1）进行城市网约车OD预测研究综述。在深入分析国内外对网约车需求预测研究的基础上,结合网约车运营特点,提出OD多步预测研究的重要性,并进一步分析总结多步预测方法。（2）分析网约车时空分布特征。借用Arcgis软件对提取的网约车载客点进行核密度分析并结合土地利用性质,分析不同类型区域以及不同OD的乘客出行时变规律发现,不同区域乘客出行特征有所差异,因此有必要针对不同OD分别预测,以解决因空间特征的不同而导致模型性能较差等问题,从实际应用出发,提高预测精度。（3）设计网约车OD预测子系统。结合网约车调度系统和运营需求,设计了一个网约车OD预测子系统,对系统的主要模块和关键环节如数据库模块、出行小区划分等进行分析,在分析预测子系统与平台关系的基础上,提出OD预测的必要性。（4）建立网约车OD预测模型。借鉴翻译领域的Seq2Seq结构,构建一种基于注意力机制Seq2Seq的网约车OD预测模型,其中采用双向门控循环单元（Bi-directional Gated Recurrent Unit,Bi-GRU）提取OD历史临近性、周期性及预约信息的时序特征,将以上分量的输出加权融合后引入注意力机制获取动态时间相关性,由GRU输出多步客流预测值。（5）进行应用分析。以西安城区部分OD为进行实验和分析,结果表明:相对于其它方法预测结果精度更高,充分利用了Seq2Seq模型多步需求预测的优势、Bi-GRU提取时间特征的特点,通过预约数据调整以达到高精度预测的目的。