随着城市经济和人民生活水平的提高,出租车因其便捷和舒适性,成为越来越多家庭的出行选择。然而,不断增加的出租车需求与数量会带来供需失衡,交通拥堵,能源浪费等问题。因此,如何精确的预测出租车需求已成为智慧交通领域的研究热点。预测出租车需求离不开出租车的轨迹数据,而轨迹数据属于时空数据的范畴,存在复杂的时空依赖性,这使得传统的方法难以有效的建模。本文从分析影响未来出租车需求的多种因素和建模时空依赖性两方面入手,并借助深度学习方法强大的高度非线性时空依赖性建模能力,提出了两种基于深度学习方法的预测模型。本文主要研究内容与成果如下:(1)提出了一种基于时空数据挖掘的深度双向时空网络模型,该模型首先通过构建多层的局部卷积神经网络和门控卷积神经网络来捕捉空间上静态和动态依赖性,紧接着利用深层的双向长短时记忆网络学习双向的时间依赖性。另外,模型从轨迹数据中抽取短期和长期交通量序列以建模周期性。(2)提出了一种基于时空数据挖掘的多因素时空图卷积网络模型,该模型一方面从出租车轨迹中提取历史流入量序列,历史需求序列以建模多重时间依赖性。另一方面,建立区域间地理邻接矩阵和潜在依赖性矩阵,来建模多重空间依赖性。此外,该模型以时空卷积块为基础,构建临近序列组件,日序列组件,区域潜在相关性组件以及区域流入量序列组件来捕捉不同因素下的潜在时空表达。最后,经过多个公开数据集的仿真实验,证明了本文提出的两种模型相较于已有的方法在均方根误差,平均绝对百分比误差等多个评价指标下,具有更低的预测误差,这就说明我们提出的模型能更好的解决出租车需求预测问题。不仅如此,我们的模型还能够轻易的扩展到其他时空数据预测任务。