随着我国经济快速发展,人们的生活水平逐步提高,生活节奏逐渐加快,消费观念开始转变,越来越多的人选择搭乘出租车出行,出租车行业规模日渐庞大,车载GPS系统等采集设备也积累了海量的出租车行驶数据。与此同时,出现了出租车定价体系不够合理、评价与监管体系不够完善、出租车资源浪费等问题。目前行业内对出租车的经营状况的画像研究还远远不够,无法做到针对出租车的个性化分析从而采取更有效的管理措施。因此,本文尝试基于出租车行驶数据进行探索,对出租车画像与收益预测模型展开深入的研究。本文主要工作包括以下几个方面:（1）构建并分析出租车画像。基于出租车行驶数据,针对目前行业内对出租车画像研究不够完善的问题,提出了出租车画像方法,并结合肘部法则、轮廓系数与K-means聚类算法对多种维度的出租车画像进行聚类分析,进而对出租车的各类经营行为构建语义化标签。（2）提出了基于画像与注意力机制的深度时空网络模型（Deep SpatioTemporal network based on Portrait and Attention mechanism,Deep STPA）。针对现有时空预测模型对出租车个性化信息利用不足的问题,考虑到出租车画像特征与出租车收益的强相关性,Deep STPA模型设计了特征提取模块对出租车画像特征建模,并结合卷积神经网络与长短期记忆模型设计了时空模块,挖掘画像特征序列与出租车轨迹数据中的时空依赖性,有效地提升了模型对收益预测的能力。此外,Deep STPA模型还设计了注意力机制模块对重要的时空特征表示进行信息增强,进一步地提升了模型效果。（3）设计并实现出租车运营状态多维度画像系统。系统采用前后端分离设计,结合Spring Boot框架、Vue框架、ECharts可视化组件等多种主流技术或架构,实现了人机交互、画像特征与语义化标签可视化、收益预测结果可视化等功能,并且保证了系统的鲁棒性、耦合性与可扩展性。本文使用Deep STPA模型与基线模型在出租车真实行驶数据集上进行了对比实验与结果分析。实验结果表明,Deep STPA模型通过对出租车画像特征建模的方式,对出租车个性化信息进行了充分的利用,并使用时空模块与注意力模块对画像特征与历史轨迹特征进行了深层次的挖掘,在出租车收益预测问题上取得了比基线模型更好的效果。