由于早期城市规划考虑的因素单一,导致其无法适配现今复杂的城市发展状况。因而迅猛的城市发展速度带来了许多城市交通问题,例如,交通拥堵、运力分布不均等。这些问题逐渐变成了城市发展的瓶颈,同时影响城市的运行效率。因此,为了提升城市的运转速度,缓解交通拥堵,精确预测出行需求和合理分配运力资源成为可行的解决方案。同时,随着传感器和互联网技术的进步,车辆的行驶产生了大量的交通时空数据。这些数据反映了真实的交通状况,能够为出行需求的预测提供数据来源和分析基础。因此,如何利用大量的交通出行数据,预测出行需求,为运力调度提供决策参考成为当前研究的热点。在传统的出行需求预测领域,经常使用经典的时序预测方法,如AR、VAR、ARMA、ARIMA等进行预测。这些传统方法仅仅利用了出行数据中的时间特性,没有充分挖掘数据内部的规律特征。同时模型训练时间过长、收敛速度过慢等缺陷导致传统的时序预测方法在实验中的预测精准度较差,可扩展性较低。近些年,深度学习发展迅猛,在语音,图像等领域均取得了较好的成果。同时在回归预测问题方面,深度学习也表现出了极佳的效果。因而,为了提升出行需求预测的效率和准确性,深度学习被引入了交通领域。然而,大部分的深度学习技术在交通需求预测领域仅仅利用了时空数据中的时间特性或者空间特性,没有将二者充分结合,所以预测的准确性有很大的提升空间。因此,为了突破这些限制因素,本文提出了一种新颖的交通需求预测模型——DeepSTCL(Deep Spatio-Temporal ConvLSTM)。该模型可以充分挖掘时空数据中的时间特性和空间特性,较大程度上提升了预测结果。DeepSTCL基于时间的邻近性、周期性、趋势性,由三个网络结构相同的分支构成,但三个分支之间不共享权重。当三个预测分支分别获得自己的预测结果后,利用线性加权的方式进行分支融合,得到最终结果。为了验证模型的预测性能,本文基于滴滴公司开源的成都市订单数据进行实验。实验结果表明DeepSTCL在三种不同的评价指标下,表现均优于基于CNN网络和LSTM网络的预测模型。同时,本文还探索了不同的地理区块划分方式对实验效果和实验效率的影响,给出了如何选择合适的地理区块划分方案的合理建议。最后,由于交通数据可视化,可以更直观地掌握交通状况,为交通资源调度决策给出合理的参考。所以,为了更好地展示和分析出行需求状况,本文基于时空数据的特性设计了一个可视化系统。该系统直观的展示了交通出行需求分布,使得未来需求高峰地段可以被快速定位,从而交通资源能够被更好地调配。