识别人们感兴趣的热点路径和区域以及挖掘居民出行行为时空特性的相关研究近年来逐渐受到重视,并取得一定进展。目前,上述相关研究在我国常常是通过出行问卷调查、分析土地利用、人口密度等社会经济统计数据,而且多集中于对微观个体日常活动进行个体行为时空分析,但出行日志等数据收集费时费力、无法获取居民具体出行路线、不能完整的反映出行时空信息,以及很少以宏观的视角,挖掘移动对象群体轨迹背后隐藏的特征,同时,相关实证研究所采用的日志数据中混合了多种出行方式,很少有更加细致的针对某种特定出行方式出行特征的研究。近年来,民用GPS等定位设备在车载以及移动终端上得到广泛使用,大量的轨迹数据正日益积累,地理信息以及通讯技术的不断成熟也使得群体轨迹数据获取的可行性越来越高。目前许多城市的出租车上已经安装了GPS设备,产生着大量的轨迹数据。这些数据蕴含着居民出行的丰富信息。利用空间聚类算法对出租车轨迹点数据进行时空数据挖掘,获取其隐含的出行行为规律信息,探索解决道路拥堵等交通规划问题的新途径,并为基于位置的服务(LBS)如消费推荐、商铺选址等提供科学参考。鉴于此,本文以江苏省昆山市约620辆安装有GPS设备出租车所采集的轨迹点数据为研究对象,通过对大量轨迹点数据的预处理,筛选出出租车上下客轨迹点,然后根据分析得出采用出租车出行方式的居民出行时段特征,按照工作日与休息日两方面,将全天划分不同时段,设计聚类算法对出租车轨迹数据进行空间聚类分析进而得出研究结论。本文研究的主要结论总结如下：(1)针对预处理后的出租车轨迹点,按照日出行总次数以及各小时出行次数两方面对日出行总量进行统计,分析得出居民出行时段规律：工作日早晚高峰较为明显,4：00～5：00为全天出行量最低时段；休息日没有较为明显的高峰时段,11：00～23：00期间出行量普遍维持在较高水平上,休息日在晚24：00至第二天凌晨5：00前出行量要多于工作日。(2)实现了对研究区范围内居民出行热点区域的识别与提取,对空间聚类所处理的数据结果用地图可视化方法进行表达。并得出了工作日与休息日不同时段的热点区域时空分布密度图。同时,统计了热点区域内部相对应的城市功能区,从而验证了本文设计提取居民出行热点区域的空间聚类算法的合理性。(3)城市热点区域的时空分布特征如下：工作日早高峰时段产业密集的工作区所形成的热点区域面积大于晚高峰。工作日出行热点区域数量多于休息日,热点区域的分布相比于休息日更加分散和多样。工作日晚高峰时段热点区域面积为全天最高,休息日20：00～23：00时段热点区域面积为全天最高。城市中某些区域为持续出行热点区域,总体不随时间的变化而改变。而另外还有一些出行热点区域只在工作日或休息日出现,或者只在某一些时段出现。(4)挖掘居民出行行为时空特性如下：在工作日,居民早高峰时段出行行为具有一定刚性,半数以上选择中短距离出行,中午居民普遍偏向于短距离出行,出行活动相对不活跃,出行空间范围不大。下班晚高峰居民从工作地出发,购物休闲娱乐活动在一定程度上受工作地点制约,呈现一定的就近性。相比于工作日,休息日居民从中午开始中远距离出行比例明显增加,休闲娱乐活动具有更大的活动范围和空间弹性。居民白天购物休闲娱乐活动受消费意愿的影响,其不一定遵循距离最短原则。主城区核心区域居民出行从中午开始呈现出一定区域内部性,随着时间推移,内部性更加明显。工作日居民出行重心移动呈由东向西方向交替趋势,休息日呈现由东向西再向东南方向移动的趋势,总体呈“横向V字”形。