随着我国经济社会的快速发展和城市化进程的快速推进,居民出行交通需求与日俱增,也引发了交通拥堵、环境污染和资源枯竭等交通问题。以此同时,移动物体产生的轨迹数据蕴含丰富的时空信息,对分析挖掘居民出行的基本交通规律和特征带来极大的帮助,为城市交通需求、交通供应、交通系统管理提供重要的数据支撑。本文首先对现有轨迹数据研究进行了调研分析,因受数据来源、采集方式、数据质量等因素影响,在轨迹研究中还存在一些局限性:首先,已有工作大多基于某一类交通数据分析常规的移动模式,如挖掘私家车的个体出行模式。但是单类数据源无法反映不同类型车辆移动行为特征;其次,采集得到的车辆轨迹可能是稀疏的,给分析轨迹行为特征带来了挑战。基于上述现状及数据驱动的交通分析需求,本文完成了以下工作:（1）实现了对稀疏轨迹的预处理操作。首先进行数据清洗,去除冗余和漂移轨迹数据,基于城市地理位置和限速规定对数据进行过滤。然后使用针对稀疏轨迹的地图匹配方法将采样轨迹空间坐标映射到路网空间。最后提取描述轨迹信息的两点时间差、加速度等基础特征参数;（2）基于已有实验数据,定义了一种新颖的轨迹分段问题,并根据车辆类型和轨迹行程段将车辆行为分为5类,即出租车的空载、出行,网约车的空载、出行和私家车的出行。从实证分析角度,研究行程时长、行程距离和平均速度行为特征的分布规律;（3）车辆行为识别本质上是轨迹分类问题,本文提出了一种针对稀疏轨迹多属性融合LSTM模型的车辆行为识别框架,嵌入行程距离、POI和天气等特征,捕获车辆稀疏轨迹的隐含信息并进行识别。最后,本文利用三种类型车辆的稀疏轨迹数据集,对上述研究方法进行实验验证。首先对出行行为时空分布特征进行统计分析和可视化展现,对不同车辆起讫点进行聚类,发现出行量在不同区域间表现一定的差异性。基于轨迹基础特征和语义特征,多属性融合LSTM模型挖掘稀疏轨迹信息并进行识别。选取Micro F1、Macro F1作为模型评价指标,结果表明提出的方法性能优于XGBoost等分类模型。