1.研究目的

本论文主要探究将城市计算与交通结合后的一项应用，即基于LSTM的城市出租车目的地预测。旨在为利用为人们提供更加便捷的出租车服务。我们正处于大数据时代，城市中许多出租车都搭载全球定位系统GPS (GlobalPositioning System) , 出租车在运行过程中产生了大量GPS轨迹数据,使得预测出租车目的地成为可能。虽然目前已有关于出租车目的地算法的研究，但仍面临以下问题

1) GPS数据处理方面:对于轨迹点的提取，如何滤去特殊错误的数据点。

2)在运算过程中，如何处理梯度爆炸及梯度消失。

3) 如何处理数据稀疏问题。

使用LSTM等自循环和门控制机制进行出租车目的地预测，可以很好的处理长期依赖，避免梯度消失，可以通过添加正则项，避免梯度爆炸。

2.研究意义

1) 社会意义：出租车目的地的预测可以帮助出租车公司确定出租车的流动方向，寻找需求密集区域，使得出租车的分配调度更加科学。我们在日常生活中都遇到过想要搭乘出租车，但是等待人数多于出租车数；上车地点不在出租车巡航范围内；出租车供应大于等待人数造成过多车辆空车巡航。准确的出租车目的地预测就可减少这些情况的发生，我们可以通过出租车的历史停车地点及历史轨迹进行分析预测，通过长期学习后，根据需求，出租车分配相应数目出租车巡航，这样不但使得乘客可以尽快乘坐，也可以减少出租车油耗，使得出租车去向大概率接单的地方。从而达到节约资源，高效运行的目的。

2) 技术意义：当前出租车目的地预测有多种方法，但都离不开实验GPS历史轨迹，在学习过程中，LSTM解决了长期依赖的问题，可以考虑多种因素的影响，但是GPS轨迹数据很多，并且有些地区，所以如何建立输入集也成为一个问题，所以此篇论文将研究如何处理GPS轨迹点及使用这些出租车的数据进行特征向量的提取，输入至LSTM神经网络模型，验证是否为能更加高效准确预测目的地。

2. 研究的基本内容与方案