网约车作为共享经济的代表,产生了海量网约车数据,蕴藏着丰富的城市出行信息,在交通规律发现与问题治理、居民出行时空特征挖掘、智慧交通和城市规划等方面具有重要的现实意义和应用价值。随着越来越多的网约车平台出现,司机可以选择多个网约车平台提供服务,这种多栖行为给司机行为决策建模带来了新的挑战。本文基于网约车出行大数据分析技术挖掘城市路网交通状态特征,从宏观层面得出城市维度的供给时空变化规律,进而研究多平台环境下网约车司机供给决策建模方法,从微观层面刻画个体维度的序列决策行为,为网约车市场供需平衡提供理论依据与政策建议,主要研究工作包括如下四个方面:（a）提出基于网约车轨迹大数据的城市路网交通状态估计框架,通过网格地图匹配算法将网约车轨迹信息高效地映射到路段,采用矩阵补全算法补全时空状态矩阵,在状态估计结果基础上绘制交通拥堵概率地图。结果表明,即使在90%的高缺失率情况下,该交通状态估计算法的平均绝对误差依然小于6 km/h,并且所绘制的交通拥堵概率地图有助于识别路网关键拥堵路段。（b）基于网约共享出行订单大数据对网约车司机多栖行为静态决策进行建模,采用大规模城市真实数据集对多元Logistic模型进行参数标定,根据标定结果解释司机多栖行为机理,量化分析关键因素对于司机多栖行为决策概率的影响效应。结果表明,司机多栖行为决策受个人属性、收入、工作时长（例如驾龄、平均每单收入和平均订单间隔）等因素的影响。（c）将网约车司机静态决策模型扩展到动态决策模型,基于高阶隐马尔可夫模型建立司机多栖行为动态决策框架,揭示司机的高频决策行为机理,并采用基于递归方法的高效求解算法标定模型参数,该模型既考虑了时变的市场条件,又能够对司机个体决策进行建模。基于实际数据的实验结果验证了司机决策的历史依赖性,表明在不同隐状态下司机对于不同平台存在选择偏好。（d）研究新冠肺炎疫情下网约车司机的供给行为特征,提出基于贝叶斯网络的司机供给决策模型,采用统计分析方法对比分析疫情期间的网约出行供需变化规律,基于贝叶斯推断分析确诊病例数量、封闭管理政策等因素对司机上线概率以及上线时长概率的影响效应。结果表明,贝叶斯网络模型对疫情期间网约车司机上线决策的预测精度达到80%以上,该方法可以扩展到其他突发事件下网约车司机的供给决策行为分析。本文的理论意义在于提出了基于网约车大数据的路网交通状态估计框架和多栖行为动态决策以及新冠肺炎疫情下司机决策分析框架,推动了基于网约车大数据的宏观系统分析和微观行为建模研究。本文的实际意义在于计算了网约车出行系统关键运行指标,有利于监管平台制定整体市场调控策略,并且识别出影响司机供给决策的关键属性和特征,为协调网约车市场供需和提高出行服务效率提供科学决策依据。