随着国家城镇化进程不断推进,城市越来越拥挤,人们的出行效率逐渐变低。出租车（网约车）是城市公共交通工具之一,每天都在产生大量的订单数据,它的出行订单需求和订单分配一直影响着出行公司的决策和车辆调度,从而影响人们的出行效率,准确的出行订单需求预测有助于人们错峰出行,合理的订单分配策略可以减少人们在出行过程中消耗的时间。当前订单需求预测和订单分配分别还存在以下不足:（1）可利用特征少,未考虑区域特征对预测结果造成的影响,只能进行单一需求预测。（2）通常从单一角度（乘客角度、司机角度、出行平台角度）考虑分配,未能在乘客和司机间取得平衡。本文的研究工作如下:（1）充分地调研了时空大数据在需求预测方面的处理方法并阐释了各方法的优劣、全面地总结了关于网约车的订单分配策略及其评估指标。（2）对出行订单需求预测存在的不足,本文提出了一种融合POI（Point of Interest,兴趣点）的深度学习多回归需求预测模型。针对可用特征少的问题,本文通过多角度分析并尽可能多地抽取影响出行订单需求的背景特征（区域功能性、天气条件、温度情况等）,利用卷积神经网络和循环神经网络获取出行订单数据的非线性时空特征,设计了一个融合多特征的深度神经网络模型,为了了解某一区域到不同目的区域的出行订单需求,将模型从单值预测转变为多回归预测模型。该方法充分地考虑区域功能性特征对预测结果造成的影响,解决了当前研究中出行订单预测特征少以及预测结果单一的问题。（3）为了解决当前订单分配策略从单一角度（乘客角度、司机角度、出行平台角度）考虑分配问题,本文提出了一种融合乘客等待时间和司机利益的网约车订单分配策略。该策略将乘客与空载司机作为二部图的两个顶点集,设计了一个神经网络预测司机到达乘客起点所行驶的时间和距离,将预测时间和距离映射到相同的区域空间并将它们的求和结果作为二部图权值,基于KM（Kuhn-Munkres）算法求解二部图的权值匹配。实验通过调用高德地图验证了策略的有效性,并在全局上获得了较低的乘客等待时间和司机接车距离。该策略充分地考虑乘客和司机双方的利益,解决了当前策略在分配过程中存在的不平衡问题。