传统的个人出行建模一般以个体出行决策作为基础,而结伴出行行为的分析则可挖掘出行空间轨迹背后可能存在的社交关系。现有的研究大多集中于对个人的移动性建模以及个体出行行为模式的识别,忽略了个体之间的社会互动如何影响移动性,导致了人们对复杂群体出行行为的揭示还比较有限。作为群体出行的一类典型行为,城市内结伴出行模式的研究是进一步理解城市居民的社会关系和行为活动特征的基础之一。对结伴出行行为进行分析与建模不仅有助于交通需求的管理与预测。同时,由于结伴关系体现了更强的人际关系联结,通过分析结伴的流量、总体出行流向、出行目的,有助于分析由人携带的信息流如何在网络中动态传播,如口口相传的信息、传染病病毒等。因此,从时空轨迹中识别社交网络是复杂群体出行行为中的重要研究内容。其次,定量掌握结伴信息对应急管理也具有重要意义。例如,地铁发生突发事件,需要调度公交摆渡车进行疏散,此时结伴出行的乘客将作为疏散中的单一决策群体而不是多个决策群体。此外,一旦发生重大突发事件,结伴出行群体会在进行逃生决策时考虑其他同伴,结伴的人数以及连接强度都会影响到个体决策。另外,根据结伴出行的起点和终点分析地铁系统以外的活动目的,进一步预测该活动场地内结伴、熟人的比例及结伴熟人网络的结构也可能给站外的应急疏散提供重要的参考价值。虽然结伴行为对交通规划、信息传播、应急管理等都具有重要意义,然而由于缺乏大规模的个体线下交互数据,对这类社交关系及其与出行的互动关系认识存在不足。本文基于北京地铁网络中超过1.2亿次出行的大型数据集,提出了基于出行重合轨迹的结伴出行乘客识别方法。通过结伴出行的识别,挖掘更大城市时空范围内居民活动中隐含的社会关系,并建立了结伴出行的社交关系网络,通过分析出行、社交网络特征及二者之间的相互关系,研究了具有结伴特性社交网络上的动力学传播过程。本论文的主要研究内容如下:（1）分别从微观个体角度和宏观群体角度研究了出行的时空间分布特性。以城市轨道交通为研究对象,基于北京市AFC（Automatic Fare Collection）系统产生的实际大规模出行数据,对乘客的日常出行模式进行识别、聚类和建模,研究了乘客的出行偏好。从个体角度分析了乘客出行的时间和空间特征。在时间特征方面,分析了不同出行次数乘客的出行时间波动性,以及连续出行的时间间隔分布与停留时间分布。在空间特征方面,研究了乘客的空间多样性特征,分析了乘客个体的静态访问模式、空间及连续出行的时空特征。从群体角度研究了出行基本统计量的分布,以及进站、出站量的时间分布特征。在此基础上,基于各站点吸引客流的时间波动特征,对站点覆盖的功能区进行了聚类;分析了进、出站量和OD量的时间变异性。此外,应用适用于衡量多维分布距离的Wasserstein距离,基于乘客对站点的访问次数分布,从空间角度分析站点的乘客熟悉程度,能够为城市轨道交通的标识设计、流线规划、广告投放等提供有价值的见解。（2）考察个体出行的时空相关性,对结伴出行行为进行识别。提出了轨迹重合次数、空间访问多样性和乘客出行粘性等三个指标,并根据乘客出行的统计特征,建立了结伴乘客阈值的确定方法。基于乘客对的关系,确定出行是否结伴及结伴人数等特征,并对结伴出行的人数、时空间分布特征、结伴出行行为复杂性进行了研究。结合房价数据集,研究了结伴出行的行为模式与社会经济属性之间的相互作用。采用张量分解技术,将轨道交通客流按照起点和终点站、出发时刻和出行日期划分为若干种类型。结果表明,时间维度上,乘客往往倾向于在下午和周末结伴出行;空间维度上,房价适中的地区结伴出行相对最少,而房价相对较低的地区最受结伴出行欢迎。此外,基于结伴形成的联系,构建了轨道交通乘客社交网络,并从网络的特征、形成与演化等角度研究了其静态结构特征以及与在线社交网络的异同点。发现与在线社交网络不同,结伴乘客形成的社交联系的聚类特征与网络规模无关。（3）最后,基于构建的个体接触网络和乘客空间轨迹信息,研究了个体-群体耦合网络上的动力学过程。结合构建的个体接触网络和群体移动数据,建立了能够充分利用多重数据源的双层耦合网络,在此耦合网络上,提出了同时考虑移动性和接触特征的疾病传播模型。通过对北京市轨道交通结伴接触数据和人口移动网络进行了实例分析,基于控制措施构建了多个场景,验证了个体接触网络在所有场景下对疾病传播的加速作用。图108幅,表22个,参考文献161篇。