网约车的兴起改变了人们的出行方式和城市交通体系,随着区域间互联互通程度加深,人们选择通过网约车平台叫车的频率越来越高,这对网约车运营能力、司乘匹配策略和服务体验均提出更高的要求。但现有文献中订单取消行为的研究主要集中在门诊失约、航班乘客预约等场景。关于网约车订单取消的研究集中在派单策略的优化上,对乘客应答前的取消场景的研究成果十分局限,并且在对取消率的问题上采用的方法主要是二分类的机器学习方法和基于历史数据的时间序列分析方法,这些方法没有充分利用删失数据信息,可解释性和灵活性较弱。本文详细分析乘客的出行场景及影响乘客发生应答前取消的因素,总结出反映乘车候车成本、呼叫时间供需情况、呼叫城市空间供需和乘客历史行为四方面的特征。基于真实的业务数据,将乘客发生应答前取消看作目标事件,分别建立传统的Cox比例风险模型和基于深度学习的生存分析模型,包括Deep Surv、Cox-MLP（CC）和Cox-Time模型,使用一致性指数为评价指标比较发现基于深度学习的生存分析方法能够有效提高对乘客取消时长和生存函数的预测效果,其中Cox-Time模型的效果表现最优。另外,本文将离散化后的生存概率时点预测值看成特征向量,通过聚类算法进行用户分群,为运营方后续制定精细化策略提供参考。研究发现:（1）基于深度学习的生存分析模型与传统的Cox比例风险模型相比有更好的预测效果。从实证分析结果可见,将乘客发生应答前取消看作目标事件,能够使用生存分析方法对乘客取消时长进行预测,Cox比例风险模型的C-index等于0.6501,将神经网络加入预测模型能够提高模型预测效果,Cox-Time模型的C-index提升至0.6924,取消时间平均绝对误差减少6.82%。（2）基于离散时间点的生存函数预测进行K-Means聚类分析能够实现用户分群。实证结果将乘客分成3个类,进一步计算其取消时长及其他协变量取值发现,近80%的乘客最大应答前取消时长小于120分钟,其中约43%的乘客具有较短的最大应答前取消时长（约17分钟）,21%的乘客对平台具有相对固定常规的需求等。这些乘客分群后的特征分析能够给运营策略方提供重要参考。