车辆轨迹目的地预测,就是基于初始的轨迹片段来预测最终的目的地。这项工作对基于位置的服务(LBSs)和城市计算等领域的研究开发具有重要意义。最初的一些目的地预测利用了一些额外的信息,但这些信息大多数很难获取。现有的大量目的地预测方法是基于各类马尔可夫链模型的,但因为马尔可夫性的限制,这些方法存在明显的弊端。总体来说,基于神经网络的方法比上述几种方法的表现都要好,其中循环神经网络(RNNs)在目的地预测中具有较强的时序数据处理能力。回声状态网络(ESN)是设计高效训练的循环神经网络的最新方法,它提供了一种体系结构和监督学习原理。在这项工作中,我们将深度回声状态网络(deep ESN)模型应用到了车辆目的地预测问题中,只使用历史轨迹数据并且取得了很好的效果。基于原始的深度回声状态网络,本文提出了一个新颖的模型,称为双输入深度回声状态网络(deep ESN-DI),用于解决原始深度回声状态网络在处理大量训练数据时耗较长的局限,并取得了更好的预测结果。基于Kaggle出租车轨迹预测挑战赛中提供的数据所得到的实验数据显示,本文提出的双输入深度回声状态网络的目的地预测方法,表现明显优于其他基于神经网络的方法,这其中包括多层感知机(MLP)、循环神经网络(RNN)和普通回声状态网络(ESN)。本文提出的结合了多层感知机(MLP)的双输入深度回声状态网络(deep ESN-DI-MLP)的表现是各类模型中最优的。作为研究工作的应用和探索,本文利用滴滴出行平台的真实出行数据,构造了基于轨迹挖掘特征的冒泡发单率预测模型,该模型取得了较好的预测结果,将有效提高滴滴出行用户补贴的准确度并节约补贴成本。