传统的城市空间规划侧重于静态土地的扩张,忽略了城市居民行为对城市空间结构的影响,导致交通拥堵、资源浪费等一系列“城市病”日益凸显。构建以人为本的新型城市是城市化未来发展的目标,轨迹数据蕴含着丰富的人地交互信息,为探索居民行为对城市空间的影响提供了机遇。共享电单车作为一种新兴的绿色交通工具,具有成本低、速度快、出行自由、可达性高等特点,已成为中小城市居民中短途出行的首选。受电池和定位设备信号的限制,共享电动单车轨迹本质是稀疏的,轨迹点的不连续、异构特征和属性信息的缺乏给居民行为信息挖掘带来挑战。在此背景下,本文首次以共享电动单车轨迹为基础,研究了轨迹清洗和城市热点探测技术,挖掘了中小城市居民出行行为,为推动中小城市的和谐发展提供了有力的技术支持。本文的主要研究工作及成果如下:（1）共享电动单车轨迹具有采样稀疏、骑行属性匮乏、空间密度不统一的特点,导致轨迹清洗方法困难或精度低下。受速度线性聚类（Velocity Sequence Linear Clustering,VSLC）算法启示,提出了多准则约束的同态线性聚类（Multi-rule Constrained Homomorphic Linear Clustering,MCHLC）的轨迹清洗方法。该算法引入了方向约束和上下文语义约束准则,不仅有效降低了居民偶然行为产生的伪停留在停留点识别中的干扰,还能有效识别具有特殊活动行为的短暂停留,深入挖掘居民出行细节。与VSLC算法相比,MCHLC算法的轨迹清洗精度提升约10%,高达95.62%。与CB-SMo T（Clustering Based Stop and Move of Trajectory）算法相比,MCHLC算法识别停留点时不受点数影响,“单点”停留和“多点”停留均能被识别。（2）针对热点探测方法参数设置困难、难以适应轨迹数据空间分布不均的问题,提出了一种融合密度峰值的高斯混合模型（Gaussian Mixture Model Based on Density Peak Clustering,DPC-GMM）的热点探测方法。该方法运用密度峰值的决策图思想自动确定类簇数目和类簇中心,利用高斯混合模型调节参数自适应数据空间分布,有效解决了参数设置的难题。与传统热点探测方法相比,DPC-GMM方法为多尺度的热点探测,尤其在“弱”热点探测方面具有明显优势。此外,DPCGMM方法还能确定热点区域范围,划定热点区域边界。基于DPC-GMM方法探测的热点具有较高的中心聚集度。（3）以滕州市作为中小型城市代表,基于共享电动单车轨迹数据,多角度分析了中小城市居民出行行为规律,建立了CARA（Commuting Activity and Residential Areas）和CAWZ（Commuting Activity and Working Zones）模型定量描述“居民行为活动”与“城市功能区”之间的交互作用,基于CARA和CAWZ模型提取了城市通勤空间,并运用过剩通勤理论评价了居民通勤效率。研究结果表明:（1）共享电动单车出行距离集中在5km以内,出行时长介于5～10min,骑行速度介于10～20km/h。（2）共享电动单车出行与天气情况、温度高低和空气质量密切相关。（3）与大城市的“双峰”出行不同,滕州市居民出行呈现出显著的早晚大高峰、午间小高峰的“多峰”出行特色。工作日与周末时期的出行规律存在明显差异,呈现显著的时间特性。（4）CARA模型为递增的对数函数,表明出行热点与住宅区之间呈现正相关。CAWZ模型为分段函数,中低热点与工作区之间满足高斯函数关系,高热点与工作区之间服从递减的对数函数。（5）滕州市的溢出通勤指数为11.3%,表明住宅区与工作区联系较为紧密,无明显的职住分离现象,居民通勤效率较高。本文共包含图72幅,表15个,参考文献181篇。