长距离通勤与职住分离一直是我国城镇化进程中突出的城市问题,影响着人们生活质量与家庭幸福,同时阻碍着城市健康发展,实现一定范围内的职住平衡是社会的共同期望。研究城市通勤情况,使用精细化规划措施缓解、解决长距离通勤的城市问题是规划人性化与精细化的体现,也是杭州城市发展的需求。同时,手机信令等移动定位大数据,POI数据、企业数据、房价数据等互联网大数据与随机森林等机器学习方法为通勤距离研究提供了新的机遇。因此,选取杭州市的通勤距离作为研究对象,以多源数据测算杭州市通勤距离与其影响因素。从职住平衡、通勤行为概念,通勤行为影响因素,影响关系研究方法三个方面回顾研究进展。在此基础上,选取线性模型与非线性模型作为研究方法,针对杭州市区的分街道通勤距离构建多源数据影响因子库。首先,基于线性回归模型进行通勤距离影响因素研究。通过多元线性回归模型筛选线性影响关系较强的因子,再利用地理加权回归模型探索上述影响因子对于通勤距离影响的空间异质性。其次,基于非线性的机器学习模型进行研究。采用机器学习中具有代表性的随机森林与梯度提升模型建立通勤距离回归模型,利用拟合效果更好的随机森林回归模型展示影响因子与通勤距离之间的非线性关系。接着,将基于多元线性回归模型、地理加权回归模型、随机森林回归模型分析得到的影响关系进行对比,进一步探究通勤距离与影响因子之间的复杂关系。研究主要得到以下结论:（1）在通勤距离线性模型中,地铁距离、用地混合、专业化水平、企业规模、企业数量、支路密度等6个因子对居住地通勤距离的影响显著且存在空间异质性。地铁距离、用地混合、专业化水平、房价、就业女性占比等5个因子对就业地通勤距离的影响显著且存在空间异质性。（2）在通勤距离机器学习模型中,随机森林模型与梯度提升树相比,对本文的杭州市通勤距离拟合更优。大部分影响因子与通勤距离之间存在明显的非线性关系与阈值。其中,对居住地通勤距离影响较大的三个因子为干路密度、POI密度、就业密度;对就业地通勤距离影响较大的三个因子为居住密度、POI密度、用地混合度。（3）对比两大类模型,影响关系接近线性或部分接近线性的因子在通勤距离线性与非线性模型中得到的结论相似。其余因子对通勤距离的影响关系在不同模型中得到不同甚至相悖的结论,主要由于（1）通勤距离GWR模型在OLS的基础上探索空间异质性的影响,得到一些小范围不同的结论;（2）RF模型识别了更复杂的非线性关系,而线性模型由于线性假设前提遗漏了重要变量。结合分析结果,基于通勤距离视角重点提出道路密度、公共交通、用地混合、住房规划、产业规划等五个方面的规划建议。并从研究数据、研究方法两个方面提出研究展望。论文利用精度高、时效性强的互联网大数据,将街道级的企业因素与房价因素纳入通勤距离模型中,补充了通勤距离研究的影响因子库。以线性与非线性模型视角研究通勤距离影响因子的影响关系,相互对比、佐证,为后续影响关系研究方法提供新思路。拓展了通勤距离研究在以杭州为代表的新一线城市中的实证结果,同时,为杭州市新一轮城市规划提供参考。