海量出租车GPS轨迹数据挖掘,对城市交通规划和居民出行指导具有重要意义。本研究重点解决顾及路网拓扑结构信息的出租车出行行为规律分析和路段行程时间预测,以深圳市出租车GPS轨迹数据作为研究对象,通过轨迹数据预处理、地图匹配、出租车上下客位置提取等过程,建立起行为规律分析的可靠数据集,分析了出租车时空特征,提出了基于LDA城市交通主题模式挖掘与图卷积神经网络GCN相结合的行程时间预测方法,该方法克服了时间序列分析、回归预测中难以解决路网空间关联关系的问题。(1)基于出租车GPS轨迹数据的时空特征分析结论如下:1)时间上:节假日早高峰较工作日和周末晚1小时,晚高峰较工作日和周末早1小时;休息日早高峰和工作日午高峰以40分钟内的短时出行为主,在60分钟以上的出行时长中,早高峰时段工作日大于休息日,午高峰时段休息日大于工作日;工作日比节假日的载客水平较高;工作日出行主要在15公里内,休息日出行以15-45公里为主,远途出行的比例大于工作日。2)空间上:热点交通集中在福田口岸附近几个主要商圈、地铁口,工作日下沙、联合广场和福田口岸最热,休息日以深圳市人民医院地铁口、国贸、老街最热;热点道路在工作日以皇岗一街、皇岗二街、石厦北四街、福祥街最多,休息日则以东门商业步行街、东门中路最热。(2)基于LDA的交通主题区域提取基于LDA理论以出租车完整载客时空轨迹作为文档,行经的路段作为文档单词,将单词-文档-主题向路段-轨迹-主题转换,将满足阈值的路段进行可视化展示,提取交通专题区域。结论如下:1)机场、火车站、旅游景区附近路段的节假日交通主题区域分布明显;2)交通主题模式与路段的重要程度相关,深南大道、滨河大道、北环大道、京港澳高速等深圳市重点交通路段的主题分布明显;3)交通主题区域分布具有区域性,与路网、人口、经济密切相关。(3)基于LDA/T-GCN集成的行程时间预测研究集成了LDA交通主题模式与时空图卷积神经网络(Spatial-temporal Graph Convolutional Network,T-GCN)时间预测方法,得到了每条路段在各个时间段的平均瞬时速度,并将路段长度与瞬时速度的比值即可得到行程时间,最后与SVR、RFR、GBDT、DTR、XGBoost等模型对比分析,实验表明:以LDA为基础并顾及轨迹路网空间结构的T-GCN模型能够从路网的邻接矩阵信息中学习到城市道路的上下游状况,预测的MRE为4.24%,MAPE为8.19%,R~2为80.98%。从实验结果可以看出,考虑路段空间拓扑结构基础上的预测效果比其他模型好。