随着我国城市化进程的不断加快和互联网时代的到来,各种网约车也层出不穷,给城市带来严重的交通问题。但是由于人口数目大,出租车数量有限,在交通高峰时,许多地区会出现道路拥挤现象。所以需要找到一种合适的方法,获取及时准确的出租车时空分布热点,为出租车规划、调度管理提供依据。所以,本文构建了基于残差神经网络的出租车载客热点预测模型（ARes Net）并实现了可视化系统。本文的主要工作如下:（1）针对梯度消失导致的模型训练困难,通过利用残差神经网络的捷径连接,并引入批标准化处理,在反向传播过程中加强梯度敏感性,增加神经网络深度,从而可以捕捉较远区域之间的空间相关性,避免由于设计多层卷积而带来的复杂训练,使用多通道学习上下客量与车流量之间的内部影响,加强模型泛化性。（2）对于原始特征通道权重分配问题,通过在残差神经网络中融入通道域注意力机制,从原始特征中提取权重,对原始特征进行重标定并改变其分布,产生通道域注意力,增强有效特征并抑制无效特征,加快模型收敛速度,增强特征提取能力。（3）关于外部因素对模型预测的影响,通过构建两层全连接神经网络,将天气、节假日因素输入到网络,并与参数矩阵融合后的残差神经网络输出聚合,得出载客热点预测结果。通过对两个数据集进行预处理,将ARes Net模型与CNN、ST-Res Net、Quad-Res Net模型在数据集上对比,实验结果表明,ARes Net模型预测精度较高。（4）编程实现出租车载客热点可视化系统,采用Python语言、Flask框架、HTML和Echarts完成可视化功能,对海口历史数据按照不同时间间隔进行统计分析,并根据临近性、相似性、周期性时间间隔将预测结果可视化并分析。