随着我国城市化的快速推进以及城市汽车保有量的增加,网约车逐渐进入人们的视野并迅速崛起。网约车的出现给城市居民生活带来便利的同时也给城市交通带来了巨大的压力,使得城市交通拥堵情况,道路资源分配不均的问题日益突出。同时随着信息技术的发展,网约车平台汇集了海量的数据信息。因此,利用这些网约车数据来研究用户的出行特征、利用车辆的GPS数据,分析出用户的出行规律,挖掘用户的热点出行区域,并对用户的出行行为、方式作出引导是建设智慧交通城市中是必不可少的环节,具有重要的实际意义。本论文以海口市滴滴网约车出行订单数据为数据源。利用Hadoop集群对数据中的缺失数据、重复数据、超范围数据以及GPS坐标进行了处理。将海口市地理区块划分成了5×5的25个区域小块,并分析了每个小区域块的订单量随时间的变化关系。通过可视化方式直观的分析了工作日、非工作日海口市的网约车出行订单量随时间的变化关系。城市居民出行热点区域研究中,传统的DBSCAN聚类算法在训练过程中有大量的人为因素介入而影响聚类效果。因此,本论文提出了一种不需要人为干预而能够自适应的寻找最优邻域半径Eps参数和邻域最小点数Min Pts参数的Adaptive-DBSCAN算法,该算法在一定程度上弥补了传统DBSCAN聚类算法的缺点。并利用改进的自适应Adaptive-DBSCAN算法对经过坐标转换后的B1区块的4个峰值时段的热点区域进行分析挖掘。城市居民出行订单量预测的研究中,传统的时序数据预测算法由于模型本身的缺陷,未能完全挖掘出时间序列数据中的时间特性,造成了出行订单量预测精确度不足的现象。因此,本论文基于Conv LSTM神经网络模型和Bi LSTM神经网络模型的优点提出了双向PCLSTM网约车出行订单量预测模型框架,依据划分好的地理区域小块,以小时为单位统计了各个地理区块的订单信息,利用统计好的信息数据对模型进行训练,并预测未来1小时的订单量;在此基础上利用数据的周期性特征对模型进行训练预测,预测精确度有一定程度的提升;进一步结合天气信息数据对模型进行训练预测,对比加入天气数据前后模型的预测精确度。最后基于Django框架和百度Echarts插件,开发了网约车可视化平台,直观的展示了网约车的出行特征。利用分析挖掘出的热点区域结合订单量预测结果对网约车巡游派遣区域和数量提出相应的建议。