随着社会进步,经济发展,私家车出行已成为居民主要的出行方式。快速的城市化进程使得城市居民数量和私家车保有量飞速增长,带来了一系列交通问题。作为城市化进程产物的通勤使得早晚高峰的交通问题尤为突出。共乘匹配是指发现行程具有高相关性的群体,面向通勤私家车进行共乘匹配是缓解甚至解决早晚高峰的交通问题的有效措施之一,它有助于减少交通流量,缓解交通拥堵,节约停车成本,对于缓解交通问题十分有效。机动车电子标识（Electronic Registration Identification of the motor vehicle,ERI）数据具有采集精度高,能够覆盖城市中包括私家车在内的各种机动车的优势,为通勤私家车共乘匹配研究提供了有力的数据支撑。因此,本文利用ERI数据开展基于强化学习的通勤私家车共乘匹配研究,研究主要包含两个难点:1、通勤私家车难以辨识;2、如何从全局和更有远见的角度而不是着眼于即时满意度来进行通勤私家车共乘匹配。围绕着这两个问题,本文的主要工作包括以下几方面:（1）针对通勤私家车辨识问题,本文提出一种基于随机森林的通勤私家车辨识模型。将行程规律性作为通勤私家车辨识的输入特征来训练模型。行程规律性从行程整体和单个行程属性两方面来刻画。行程整体的规律性由信息熵获得,单个行程属性的规律性由变异系数获得。训练得到的模型具有良好的辨识性能,其AUC（Area Under ROC Curve）达到94.43%,优于其它模型。最后本文利用该模型辨识出了231,190辆通勤私家车,分析了通勤私家车的通勤行程模式并探究了通勤私家车的通勤行程对私家车行程的影响。（2）针对如何从全局和更有远见的角度而不是着眼于即时满意度来进行通勤私家车共乘匹配这一问题,本文提出了一种数据驱动式的基于强化学习的共乘匹配模型。模型以驾驶员的时空信息为状态,以设计的四种共乘匹配动作为动作,选择共乘参与者的平均乘车时长的相反数作为奖励函数,选用ε-贪婪算法作为策略函数,使用Deep Q Network进行求解得到共乘匹配策略。最后,在重庆市的机动车电子标识数据集上进行了共乘匹配实验,并从平均乘车时长和,车辆总行驶时间,车辆总行驶距离,车辆数量四个方面对共乘匹配策略进行了评估,结果表明共乘匹配后,早晚高峰道路上的通勤私家车数量分别减少了21.45%以及21.01%。