为解决服务车辆与乘客间的供需不平衡问题，提升服务车辆的运营效率和利润，同时降低乘客等待时间并改善其对服务平台的满意度，针对差异化结构的多维时空数据，提出一种深度聚合神经网络（DANN）模型用于对网约车需求进行预测。首先，通过综合考虑时间、空间和外部环境等多维影响因素，提出了基于周期的时空变量和基于图像点值的空间变量划分方法；其次，依据数据特点构建了不同的子神经网络结构来分别拟合时间变量、空间变量和环境变量与需求间的非线性关系；然后，提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征；最后，分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明，在三个真实数据集上所提模型的R2平均误差仅为9.36%，与卷积长短时记忆网络（FCL-Net）和混合深度学习神经网络（HDLN-Net）模型相比，所提模型的R2分别平均提升了4.6%和5.22%，均方误差（MSE）分别平均降低了27.01%和26.6%。因此，DANN在实际应用中能较大幅度地提升需求预测的准确性，可以作为网约车需求预测的有效手段。
