可靠的区域出行需求预测能够为交通资源的调度和规划提供合理有效的建议。但是,出行预测是一个非常具有挑战性的问题,面临海量的时空大数据建模问题。而且如何有效地提取时空大数据中的空间特征和时间特征,成为当前城市计算的研究热点。因此,本文通过利用网约车订单数据,并结合深度学习方法对城市区域出行需求问题进行了系统研究。本文主要工作包括以下三个方面:1.对网约车订单数据进行了处理与时空特性分析。首先对订单数据进行去重和时空划分,得到了用于区域出行需求预测的出行时空数据;然后分析了订单数据的时空特性,得出建模时所要考虑的时空因素。2.提出了一种基于混合深度学习方法的预测模型3D-EDADF（3D Convolution and Encoder-Decoder Attention Demand Forecasting）,用于预测城市区域的出行需求流入和流出量。该模型利用3D卷积和LSTM编码解码来提取时空特征,并结合注意力机制来描述出行需求流入流出之间的差异性。同时,3D-EDADF模型对临近依赖性、日常依赖性和周期依赖性进行混合建模,并将它们的多维特征进行加权融合得到最终的预测结果。在两个真实数据集上进行了实验验证,结果表明,与基准模型相比,3D-EDADF模型具有更好的预测性能,可以更好地探索和学习出行需求时空数据之间的时空依赖性和非线性关系。3.提出了一种基于3D反卷积的深度学习区域出行需求预测模型RTDFF（Regional Travel Demand Forecasting Framework）,用于预测出行需求流入流出量。RTDFF模型同样对时间特性进行细粒度的分割,包括临近依赖性、日常依赖性和周期依赖性。对于每一种时间特性,该模型首先利用3D卷积层捕获时空数据的长期时间依赖性,并初步提取空间特征。其次利用3D反卷积层捕获更细致的空间特征,量化不同区域的重要程度,尤其能够对热点区域给予更多的关注,提高模型整体的预测性能。然后结合2D残差单元层捕获更远的空间依赖性,使空间特征更加丰富。最后设计融合层对多维时空特征和细粒度时间特性进行融合,提高模型的出行需求预测准确率。采用真实的出行需求数据集进行了大量的实验,实验结果表明,相比于基准模型,RTDFF模型的预测性能更优,验证了RTDFF模型的有效性。