网约车系统（Online Car-Hailing System,OCS）是城市交通的重要组成部分,随着汽车保有量的快速增多,在城市运营网约车会遇到交通拥堵问题。预测交通流指导网约车进行路径选择,对缓解城市交通拥堵具有现实意义。本文针对交通流预测与网约车路径选择展开研究。目前在交通流预测领域多采用深度学习方法,并且通常只考虑少数交通流影响因素,通过综合考虑多种交通流特征预测交通流能有效提高预测精度;本文研究的路径选择服务于网约车驾驶员,目前的研究多是针对单个网约车驾驶员提供路径选择服务,然而随着未来OCS运营的网约车数量不断增多,OCS对城市交通的影响也将越来越深,让OCS全体驾驶员共同进行路径选择决策能够更好的统筹分配交通流。本文的研究内容如下:（1）针对交通流影响因素考虑不充分的问题,本文设计了一种用于交通流预测的基于多周期的时空图卷积网络（Multi-Period Spatio-Temporal Graph Convolutional Networks,MP-STGCN）模型。该模型首先对输入的交通流数据进行多周期的划分（近期、日周期、周周期）;然后建立了捕获长期时间依赖性的门控卷积模块和捕获时空维度相关性的时空同步图卷积模块;接着聚合门控卷积模块和时空同步图卷积模块形成时空图卷积层;最后将划分后的周期交通流数据输入三个结构相同周期组件,以此捕获交通流的周期依赖性,并将三个周期组件输出的预测值聚合成最终的预测值。该模型在数据集Pe MS04和Pe MS08上与七种基准方法进行对比实验,经过大量实验表明,MP-STGCN的多种预测误差评估指标比于最优基准方法下降了2.56%至7.34%。同时进行了消融实验,实验结果证明不同组件均可提高MP-STGCN模型的预测效果。（2）针对单个网约车进行路径选择无法统筹分配交通流的问题,本文设计网约车系统协调路径选择模型（Online Car-hailing System Coordinate Route Selecting Model,OCS-CRSM）和混合博弈路径选择算法（Mix-Strategy Game Algorithm,MSGA）。首先基于多车辆路径选择建构了OCS-CRSM模型;然后设计了一种用于网约车驾驶员相互混合博弈求解路径选择策略的目标函数,该目标函数带有惩罚机制;最后基于目标函数设计了MSGA。本文在纽约数据集（YNC）上进行仿真实验证明MSGA算法的有效性。实验结果表明该算法相比基准算法个体本位算法（Individual-Based Algorithm,INDA）和贪心算法（Greedy Algorithm,GREA）的全局交通时间分别下降13.57%和5.33%,且惩罚机制能有效驱使驾驶员避开拥塞路段。