从传统的主动式问卷访问发展到GPS设备、智能手机被动式采集,出行行为调查技术正迎来全新的革新契机。基于GPS轨迹数据,深入挖掘出行特征,精确识别出行模式(动态出行与静态活动),成为智能手机应用于出行活动研究的关键前提。本文通过智能手机调查软件,获得个体出行GPS轨迹数据;基于信号缺失段和数据完整段,识别停驻,将离散的轨迹数据划分成出行链的形式;分别提取停驻与出行相关特征,借助GIS辅助信息,运用机器学习算法,识别出行方式与出行目的。首先,介绍智能手机采集GPS数据的原理、方法、数据结构,从精度条件、速度阈值、经纬度范围上过滤噪音,并转换经纬度坐标,完成预处理工作,为模式识别奠定基础。其次,根据时间间隔,将轨迹数据划分为信号缺失段与数据完整段。一方面,计算间隔时间、端点距离,检验缺失段是否隐含停驻;另一方面,借鉴DBSCAN算法的思想,提出新的时空聚类算法,识别完整段中包含的簇。参照问卷反馈数据,评价停驻次数、停驻时间等指标,优化参数阈值,并最终确定停驻与出行。第三,以步行段为边界,将出行划分成出行段。提取出行段的速度、加速度、方向变化率等统计特征,以及出行时长、出行距离、停留次数等出行特征,分别运用分类回归树、神经网络、随机森林算法识别出行方式,得到随机森林的准确率最高,达到89%。此外通过设定不考虑电动自行车的情景,对比发现电动自行车对普通自行车和常规公交的识别产生很大干扰,而电动自行车与普通自行车之间、常规公交与小汽车之间的进一步区分成为提升识别准确率的关键;进一步设定考虑电动自行车、但不考虑出行特征的情景,发现出行特征对相互干扰的四种出行方式识别精度均有一定程度的改善。最后,基于停驻的开始时刻、持续时长频率分布,划分时段类别,提取时间特征;利用高德地图API服务,提取停驻中心50米和300米邻域内各活动类型的POI数目,并计算信息熵,作为空间特征。应用分类回归树、神经网络、随机森林算法识别出行目的,其中随机森林识别精度最高,达到80%。而不同出行目的类别中,通勤的准确率最高,购物与休闲最低;就餐与购物之间干扰较大,不利于识别精度的提升。