随着人工智能和大数据技术发展和推广,智慧城市的革命随之而来,传统交通系统逐渐转为融合技术支持、城市建设和交通变革的“智慧出行”。出租车以其灵活、便捷和个性化等特点成为公共交通工具的重要组成之一。全球定位系统和数据分析技术的日益成熟,以出租车轨迹数据为研究对象的时空数据挖掘逐渐成为计算机领域一个重要研究方向[1]。由于出租车司机与乘客之间的信息交流不及时,出租车数量和乘客需求之间供需关系的不平衡等多种因素的影响,出租车乘客普遍存在候车时间长、打车困难等问题,亟需一种能够为乘客推荐科学合理候车点的方法,即提高乘客打车成功率和减少乘客候车时长。针对此问题,国内外学者相继提出了使用排队模型、先验规则、非齐次泊松过程、聚类和概率分布等多种方法,但由于忽略了城市居民作息时空特征的影响,以致面向出租车乘客候车点推荐模型的准确率有限。因此,本文提出一种时空特征约束的出租车乘客候车点推荐方法,期望为城市出租车乘客的智慧出行提供一种科学的决策模型。主要研究内容如下:（1）实现基于空间网格的多源数据融合。本文研究使用的数据包括出租车轨迹数据、城市兴趣点（Point of Internets,POI）数据、天气数据和行政地图信息数据。由于不同数据集的格式、内容有较大差异,本文根据不同数据集中时空信息匹配比对,在出租车历史轨迹数据的基础上添加天气、功能区类别等数据信息实现多源数据融合。然后将融合后的数据映射至划分的50m*50m单位网格中,实现连续轨迹数据离散化处理。（2）提出一种时空特征约束的深度神经网络推荐模型。本文从时间、空间和天气状态三个角度分析影响出租车乘客选择候车点的因素,并提取多个候车点推荐模型的输入特征值,在时空特征约束下使用优化的深度神经网络对出租车运载时空规律进行建模,从而实现预测候车等待时长和推荐出租车乘客候车点。（3）基于大规模真实出租车轨迹数据的实验验证。本文以武汉市武昌区为研究对象区域,利用搜集获取的出租车历史轨迹数据、POI数据、历史天气数据、城市行政地图等数据进行模型实验,设计三个实验对照组分别分析时间特征、空间特征和天气状态对实验结果的影响,实验证明在时空特征约束下的候车点推荐模型具有较好的适用性和准确性。（4）设计实现了一个出租车乘客推荐候车点的手机应用原型。该系统以本文推荐模型为核心,采用地图方式展现了以当前位置为候车点时等待空驶出租车的候车时长,并为用户推荐附近候车成功率较高、候车时长较短的参考候车点,推荐效果明显。