随着城市人口增长和经济发展,对于城市交通来说,承受着越来越大的压力。出租车在城市交通中扮演着重要角色,在给市民带来出行便利的同时,也带来了交通道路的拥堵,化石能源的浪费,空气的污染等问题。在出租车高空载率的同时存在着打车难的问题,如果能进一步提高出租车的效率,对于缓解上面的一系列问题具有重要的意义。随着信息技术发展,现在很多的出租车上都装配有GPS（Global Position System）设备,装有此设备的出租车每隔几秒钟就会将自己的一些实时信息发送到数据中心,这些数据包括车辆的位置、速度、载客状态等。怎样挖掘和分析这些产生的海量数据来提高出租车的效率,是当前一个热门的研究话题,也是智能交通和数据挖掘的重点。根据以上的分析,本文在搭建Hadoop,Spark等大数据处理平台的基础上处理数据,设计从数据到给出租车司机巡游建议的整个流程。利用数据来降低出租车的空载率,提高出租车的效率^[1]。本文的主要工作包括:（1）利用已有的数据分析城市出租车需求的特性,发现了同一区域的出租车乘客需求在时间维度具有很强的相似性,而不同区域的需求模式差异较大。此外,采样车数量对同一地区的交通状态的感知性能影响较小。（2）通过聚类出租车乘客上下车点来感知城市热点。针对GPS数据量较大的特点,提出了改进版的DBSCAN聚类算法（GD-DBSCAN）,使用分区和KD-Tree索引的方法来提高算法聚类速度,使性能有大约10%的提升,同时使原本串行的算法支持并行化。（3）为评估出租车在热点地区单位时间内成功载客的概率,本文提出用上车率作为指标。不仅挖掘热点,还要评估不同热点的热度大小。并将深度学习长短期记忆模型（LSTM）算法应用到预测热点上车率的过程中,建立了深度网络模型,提升了热点区域上车率预测的精度。基于预测的不同热点未来几个时刻的上车率,为出租车司机选择最佳的巡游方向和路线。