在预测出租车目的地时，传统的马尔科夫预测方法仅仅依赖于前面2到3个GPS点，对于那种具有很长依赖关系的轨迹并不适用。为了解决这种长期依赖关系，采用循环神经网络（RNN）进行出租车目的地预测，因为RNN的多个隐藏层能够存储这种依赖关系。但是随着数据量的增大，RNN的隐藏层对较小的扰动变得十分敏感，较小的扰动就会被指数级放大，最终导致预测准确率降低。为了提高预测准确率，同时缩短训练时间，将SDZ应用到RNN中，提出一种基于SDZ-RNN的出租车目的地预测方法（SRTDP）。SDZ不但能够提高SRTDP的鲁棒性，而且SDZ采用局部更新而不是全部更新的方式，降低了训练时间。实验表明，SRTDP在精度和