随着大数据分析技术的不断发展,交通大数据挖掘与分析得到了广泛的关注。乘客出行模式分析和城市热点区域推荐是城市管理规划、交通调度等领域中的重要研究内容,在居民日常出行生活中有着广泛的应用前景。出租车是重要的城镇出行媒介,提供了洞察一个城市交通和人口流动的重要方式。随着近几年网约出租车的快速发展和趋于成熟,为保障乘客安全出行,海量乘客出行数据为研究人员提供了很重要的研究数据。基于这些数据一方面可以帮助研究人员挖掘城市范围内居民出行规律,例如某区域一周内每天出行或到访乘客数量以及乘客偏好的出行时间段等;另一方面可以帮助找寻城市中出租车需求热点区域,有助于帮助司机快速寻找订单并提高其运营效率。因此,基于出租车OD（Origin-Destination）数据的乘客出行模式分析及出行热点区域推荐对于提升出租车公司运营效率、减少乘客等待时间有着重要意义。传统的居民出行模式挖掘方法大多针对常态下居民出行时空规律进行研究,忽略了对非常态出行数据的规律挖掘,难以追溯产生异常数据的原因;此外,寻找出租车热点需要有较高的精度和效率,才能保证出租司机在当前时刻尽快找到最近的出行热点。针对以上问题,本论文围绕乘客出行模式分析和出租车热点推荐展开研究,具体工作内容如下:一、基于稀疏低秩分解的乘客出行模式挖掘与分析。传统的出行模式分析方法常常忽略对居民非常态模式下出行规律的挖掘,同时容易缺少对功能区相关的OD数据分析,难以准确刻画乘客出行目的。针对这一问题,本文提出了一种基于稀疏低秩张量分解的乘客出行模式分析方法。该模型首先用张量对多维度OD数据进行表示,张量的每个元素包含时间、空间、功能区属性等三个维度的信息。其次,对张量数据进行稀疏低秩分解,得到表示规律性数据的常态模式张量和非规律性数据的非常态模式张量,以及对应的模式矩阵。最后通过对模式矩阵进行分析,获取出行数据在时间、空间、功能区等维度的规律。通过在盖亚数据公布的成都滴滴打车数据集上的实验表明,此方法通过对乘客出行数据添加功能区属性,更准确地挖掘了乘客的出行目的和潜在动机。二、基于密度峰值聚类算法的城市热点推荐。传统热点区域发现方法存在计算效率差、不实用等问题,针对这些问题本文提出了基于密度峰值聚类算法的城市热点区域推荐方法,通过克服传统密度峰值聚类算法的计算复杂、效率低等问题,提升了算法的计算效率,有效地契合出租车数据热点需求的应用。该方法首先统计所有数据的两两距离以计算每个点的局部密度和最小高局部密度距离,然后用这两个数据构建决策树来分析潜在的热点。通过在成都滴滴数据集上的实验表明,该算法能够准确、高效的发现乘客打车热点区域。