大量的出行行为数据是建立交通出行需求预测模型的前提条件,而居民出行调查是获得大量居民出行数据最有效的方法。传统的出行调查一般采用问卷调查的形式(纸质或电子问卷),该方法需要用户填写出行信息,这样会耗费大量的人力物力资源,并且拒访率较高。近年来随着智能手机的发展,居民在日常出行时会用到具有定位功能的手机App,手机App会记录居民出行过程中的移动轨迹,这些轨迹数据客观反映了居民的出行习惯和出行规律,利用这些轨迹数据可以很好的解决传统出行调查中存在的各种问题。但是,由于这些出行轨迹数据只有居民出行的时间与空间信息,缺少用户的个人社会经济属性数据和出行过程中使用的出行方式以及出行目的等信息,因此并不能将出行轨迹数据直接运用于交通出行需求预测模型中。本文首先通过自主研发的手机App来收集居民的出行轨迹数据和社会经济属性数据,其次利用出行信息提取算法从以上数据中获取到能够应用于交通出行需求预测模型的出行信息。该出行信息提取算法能够充分利用轨迹数据固有的时空特征以及收集到的居民的社会经济属性数据,从而有效提高出行信息提取的质量。本文所要提取的出行信息主要包括:停留点、出行目的以及出行方式,本文的研究内容主要包含以下几个方面:(1)基于手机App的基础出行数据收集及处理本研究利用我校自主研发的“大众出行”App在上海青浦区收集用于出行信息提取算法研究的基础数据。由于收集到的数据样本量较少,不足以用于算法的训练和研究,因此本文还收集了一定的纸质调查数据以及社会车数据用以支撑出行信息提取算法的研究。该部分为后续章节提供了丰富的基础数据并保证数据处理后能够直接应用于算法中。(2)停留点识别当前停留点识别的研究中,没有有效地区分室内停留点和室外停留点。针对该研究空白,本研究提出了根据定位误差、速度和最大距离分层提取室内停留点和室外停留点的方法。该方法能够充分利用轨迹数据中室内定位误差较高的特点来提升停留点识别的精度,最后其识别精度能够达到96%。停留点识别将轨迹划分为出行段和活动段,该划分方式为出行方式识别和出行目的识别提供支撑。(3)出行目的识别人们的出行目的受其社会经济属性所影响,且不同出行目的在时间和空间属性上具有较大的差异,因此本研究将通过神经网络并结合居民的社会经济属性(数据性别、年龄、职业、文化程度)、轨迹数据(节假日、到达时间、出行时间、停留时间)、土地利用数据等数据,进行出行目的的识别。而且由于居民出行过程中上一出行目的与当前出行目之间会相互影响,因此本研究还将上一出行目的作为神经网络的输入条件之一,利用该方法,出行目的的整体识别精度可以达到94%。(4)出行方式识别本研究通过从轨迹数据中提取其平均速度以及速度方差,并根据社会车数据等特征构建了不同出行方式的模糊决策树模型。另外,以居民的汽车拥有情况作为识别条件来提升公交和私家车的识别精度。结果表明出行方式的识别精度可以达到84%。本文提出的出行信息提取方法能够有效地获取居民出行过程中的停留点、出行方式和出行目的等信息,其中停留点和出行目的的识别具有较好的效果,但是出行方式的识别由于所收集数据的限制,其结果不是很理想,但是模糊决策树良好的扩展性,在有足够的分析数据时能够有效的改善其结果精度。总体来讲,基于手机App的出行信息提取方法可以有效提高出行信息的提取效率、降低被调查人的工作负荷以及提升交通需求预测模型的精度。