交通运输是国民经济中战略性、引领性、基础性产业和服务性行业,建设“交通强国”是未来我国交通运输发展的总目标。随着移动互联网时代的开启,每个用户都成为了交通信息的贡献者,用户使用智能手机来规划路线、在线叫车、搜索目的地等。大量的基于位置的数据由这些设备和应用程序每天生成,包括在线订单,轨迹信息、地图查询数据和带地理标记的签到数据等。这些超大规模的多源数据在云端进行处理和融合生成城市全时段,无盲区的交通信息。面对如此庞大的数据,需要通过不断升级、完善与创新背后的智能交通决策系统,用机器学习和深度学习方法分析这些数据,助力智慧出行,从而减轻交通拥堵,促进城市道路管理水平提升。本文在深入分析现有的各种大规模交通预测任务的基础上,提出了“个性化智能交通推荐系统”这一概念,在智能交通系统中引入“个性化推荐”的思想,用以设计更加智能的交通系统。针对上述分析,本文依托国家自然科学基金优秀青年基金《多模式交通网络优化与管理》（71822007）和东南大学优秀博士学位论文培育基金（YBPY1927）,以地理位置推荐、交通模式推荐、网约车调度单元推荐为研究背景,利用深度学习、强化学习等技术,为个性化智能交通推荐系统的设计提供方法和理论依据。本文的主要研究内容可以分成以下几个方面:首先,现有的推荐方法的核心思想都是围绕着用户行为进行,因此研究了用户行为的表示方法。针对出行行为大数据,提出基于用户行为的图嵌入学习方法,通过将用户的个性化出行行为编码在一个连续的向量空间中,进而作为监督学习模型的输入,以提高有监督学习模型的性能。其次,除了从个体角度进行推荐系统设计外,对于网约车调度单元推荐问题,需要从宏观角度进行交通状态的分析,对打车需求、司机分布等进行全局感知。针对时空数据,设计一种面向时空数据的交通状态预测方法,包括两个不同的注意力块,以捕获个性化的空间信息和时间信息,充分挖掘交通数据潜在的时空模式。并且从物理解释的角度解释了该模型,并探讨了神经网络架构对时空数据预测精度的影响。第三,传统的推荐算法有一定的局限性,这种局限性表现在可能会给用户大量同质化的推荐结果,造成这种问题的根源是没有考虑用户的偏好,也就是个性化的用户行为,这个问题在智能交通的应用上尤为突出。本文指出对出行者目的地的预测在本质上是一种地理位置的推荐,受推荐系统的启发,设计了一个两阶段的目的地预测框架,根据用户的历史行为生成个性化的候选集,这可以认为是粗排序,然后再借助特征工程对候选目的地进行精细的排序。第四,准确的交通模式推荐可以促进智能交通系统的发展,有助于缩短出行时间、缓解交通拥堵等。在多模式交通出行方式推荐问题中,不同用户在不同背景下对交通模式的偏好是不同的。本文针对交通模式推荐的应用场景,从用户、交通模式、地理位置和时间等多个角度进行系统的特征工程设计。为了更好的学习数据中存在的共现性,我们分别对历史数据中的O-D对和用户-OD对构建了一个二部图,然后利用图嵌入技术将图中的节点转化为特征向量。针对本研究存在的评价指标与损失函数不一致这个问题,我们提出了一种后处理算法,来处理预测结果与评价指标之间的不一致。最后,如何在日益增长的需求和有限的供给之间保持平衡,是网约车平台运营的核心问题。本文对网约车调度单元推荐的本质进行了探讨,指出了其本质上是负载均衡问题。借鉴推荐系统和负载均衡的思想,我们设计了算法的整体框架,强化学习返回排序后的推荐动作列表,然后以轮询形式将调度请求和动作进行匹配。通过合理的调度单元推荐,实现供需平衡,从而进一步减少乘客的等待时间,增加司机单位时间内的收益。