时变OD的获取一直是我国在线交通仿真技术发展的瓶颈所在。目前采用宏观模型、实时交通生成模型以及固定检测器获取OD的方法都不是解决时变OD的优选方案。近几年,随着交通信息采集技术的不断发展,通过手机信令数据提取出行OD的技术已较为成熟,其具有的近乎全样本、时空特性好、可实时采集等特点,可考虑作为在线交通仿真很好的输入数据,但前提是要解决手机信令数据在交通方式划分上的问题。为解决手机信令数据所提取OD无法划分交通方式的问题,本文融合手机信令数据和网络爬取数据,对手机用户的出行属性、个人属性等特征进行提取,作为模型输入数据。基于机器学习模型良好的预测、泛化能力,采用居民调查数据为样本构建交通方式划分模型,并对模型进行多指标评价。文章主要工作内容如下:首先,基于手机通信原理讨论了手机信令数据的适用性,并对比传统交通方式划分模型分析了机器学习方法的优越性,从而论证了基于手机信令数据和机器学习方法进行交通方式划分的初步可行性及关键点。其次,在特征选取上,对已有特征数据进行重要性分析、对模型应用特征数据进行易获取性分析,以保留重要易获取特征、替换重要难获取特征为原则,保证重要性特征值的存在;在数据处理上,从数据集参数及整体消除模型构建数据集与模型应用数据集的差异,确保模型构建数据集与模型应用数据集的等价性,进而保证模型结果的有效性。再次,通过解析各机器学习模型参数对准确性的影响为指导,采用网格搜索算法进行参数寻优,构建BP神经网络、支持向量机、随机森林机器学习模型。以准确率、精确率、召回率、学习曲线等指标对模型进行多方面的对比、评价。最后,选取成都市多个有代表性的交通小区对模型进行实例验证,分析模型预测结果在空间尺度及时间尺度上的适用性,并基于模型应用需求及框架,对模型的应用性展开分析。结果表明,该交通方式划分模型预测结果稳定、可靠,有一定的应用价值。