传统城市交通调查通常是以问卷调查的形式进行,但是这种调查方式需要耗费大量的时间、人力、物力并且调查结果带有一定的主观性。随着互联网技术、GPS技术、GIS技术的发展以及GPS设备在出租车行业的应用普及,出租车GPS数据为研究城市交通提供了良好的数据基础。出租车是城市多模式公共交通的有效补充,具有全天候运营、覆盖范围广、数据时效性好、出行时间、出行路线和上下车地点完全由乘客决定等特点,出租车出行量的时空分布与城市用地性质之间存在较大联系,不同城市用地性质间出租车出行量时空分布差异较大。城市地块产生的出租车出行量分布在一天当中的各个时段,通过分析地块出租车出行量时空分布特征能更好的了解不同城市用地性质与出租车出行量之间的关联。本文在查阅总结国内外文献的基础上,对居民出行行为研究现状、出租车GPS数据应用、空间单元划分方法现状和聚类算法研究现状四个方面进行了文献综述。本文利用出租车订单数据,分析地块出租车出行量时空分布特征,从中挖掘不同出租车出行量时空分布与城市用地之间的关系。首先,本文提出一种新的时间序列聚类算法,该算法是以密度峰值聚类算法（Clustering by fast search and find of density peaks,简称DPC）为核心与时间序列距离度量相结合,对出行量时序数据进行聚类分析。其次,本文以宁波市为例,选定研究区域,采用规则格网进行研究单元划分,并以出租车订单数据为数据源,对原始订单数据进行筛选提取、统一格式、删除冗余等预处理操作,再提取研究单元上、下车点位置信息,统计研究单元不同时段上、下车点数量,构建研究单元出租车出行量时间序列数据集。最后,通过本文提出基于DPC算法的时间序列聚类算法,K-means算法和DBSCAN算法对出行量时序数据进行聚类分析,对比分析本文算法与K-means算法和DBSCAN算法的聚类结果,结果显示本文的聚类算法从内聚度和分离度以及分类中用地性质的统一性都要优于K-means和DBSCAN算法。之后对本文聚类结果中的出租车出行量空间分布特征和时间分布特征进行分析。