随着我国居民生活水平显著提高,人们对出行舒适度、便利度要求越来越高,私家车数量急剧上升,交通拥堵问题日益严重。居民日益增长的个性化出行需求和有限的出租车资源之间存在矛盾,此外司机、乘客、运营平台之间的博弈加剧了供需矛盾。在此背景下,为了满足居民对出租车的需求,一味地增加出租车数量,不仅无法彻底解决打车难问题,反而浪费了有限的道路资源,加剧城市交通拥堵问题。只有通过无人驾驶出租车资源优化调度与部署,切实提高出租车利用率,降低空载率,才能在满足出行需求的同时,缓解城市交通拥堵问题。本文以在满足所有出行需求的前提下,所需出租车数量最小并尽可能降低空载率为主要优化目标,围绕出行需求匹配和出行需求预测展开,考虑无人驾驶出租车的特性及合理的行程连接时间,通过行程需求匹配指导无人驾驶出租车资源配置、车辆部署和调度,以期缓解出租车供需矛盾,引导乘客选择公共交通出行,缓解城市交通拥堵问题,并为日后无人驾驶出租车的推广应用提供理论依据。具体内容如下:1.城市出租车上下客热点区域识别。通过Mean-shift聚类算法,识别城市出租车上下客热点区域。分析无人驾驶出租车的特点,提出出租车固定上下客点的运营模式,确定热点区域的聚类中心,并以此为依据调整固定上下客地点至合适位置。2.出行需求匹配及车辆调度研究。通过苏州市热点区域之间的出租车轨迹数据,使用二分图对区域间的需求建立匹配模型,将用最少的车辆完成所有出行需求这一问题用明确公式表达并转化为最小路径覆盖问题,用Kuhn-munkras算法求得所需出租车数量,降低出租车空载率并使运营车辆负载平衡。3.短期出行需求预测及车辆部署研究。需求匹配依靠乘客提交的出行需求调度车辆,对于临时出行需求难以快速反应,短期出行需求预测,能够提前部署车辆,缩短乘客提交需求的提前期,减少乘客等待时间。首先分析出行需求数据的特点和时空变化特征,运用LSTM预测不同时段不同区域的行程需求,并在出行需求匹配模型的基础上,建立双层需求匹配模型,为无人驾驶出租车的部署与调度提供理论指导。最终结果证明本文通过双层需求匹配模型得到的出租车资源调度和部署方案,能够在完成所有出行需求的基础上,减少35%的运营车辆,并将空载率降低至31.4%,该方案在人口密度、出行需求密度较大的住宅区、工业区、商业区等密度分布均匀区域,优化效果更为明显。