居民作为城市中最活跃的个体,其出行行为也无时无刻不影响着城市的交通状态,居民出行活动由于受到时间和城市空间结构的约束,其出行行为模式在很大程度上呈现出规律的变化特征,因此研究居民的出行时空特征,对于提高城市交通运行效率、优化城市交通管理和完善城市土地利用结构有着重要意义。在大数据浪潮的推动下,以车辆为载体的GPS数据已成为关注热点,这使居民的出行调查方式出现新的机遇。滴滴作为新兴网约车的代表,已成为居民出行方式的常用选择,滴滴出行服务不仅摒弃了传统出租车打车难、路径规划不合理等弊端,并且凭借其优势,可以充分利用社会闲置车辆和运力,通过大数据智能匹配缓解城市高峰期运力短缺的现象,这给居民上下班出行情况带来了明显改善。本论文基于滴滴用户一个月的出行订单数据,对成都局部区域的用户出行时空特征进行分析,并进一步通过论文提出的MS-DBSCAN算法对用户出行的热点区域进行挖掘,得到更准确的热点区域区域及中心位置信息,为滴滴司机提供有效的决策依据,减少滴滴车辆空载巡游提高接单效率,以满足用户出行需求方便用户出行。本论文在总结归纳国内外研究现状的基础上,利用大数据技术处理了盖亚数据平台所提供的成都市滴滴订单数据,主要研究工作如下:（1）滴滴订单数据预处理。首先对原始滴滴订单数据进行清洗,以去除冗杂、重复和错误的数据,并对清洗后的数据进行时间和空间维度的处理,主要包括时间戳的转换、排序、计算用户出行时间、出行距离以及删除异常订单数据。（2）滴滴用户出行时空特征可视化分析。时空数据由于同时具有时间和空间两种属性,使其表现形式也逐渐由早期的折线图、饼图等简单的描述性可视化方法逐步扩充为箱型图、关系图以及以地图为底图的散点及集合可视化、线形可视化和分级设色可视化3种表现形式。论文通过对滴滴订单所产生的时空数据进行不同形式的可视化表达,并结合成都市区域的行政分区基本情况以及重点商圈分布情况分析可视化表达结果,为交通管理者,城市规划部门提供决策依据。（3）为研究大尺度时间范围内滴滴出行特征,提出了DBSCAN的改进算法——MS-DBSCAN算法,此算法与DBSCAN算法相比,能够更准确的对用户出行热点进行聚类,缩小聚类范围,同时能够提取聚类中心点,得到准确的地理位置信息。此对于司机而言能够快捷的得到热点区域位置,减少空载巡游的成本,也能降低交通环境污染。（4）为使滴滴订单数据更好服务于不同人群,设计了滴滴订单数据的用户出行可视化系统,该系统涵盖了数据处理模块、用户出行时空特征可视化模块以及热点区域可视化模块,不仅可以用于城市规划、交通管理,在微观层面还可以服务于出行用户以及司机接单。综上所述,本论文通过处理成都市区滴滴订单数据对成都市滴滴出行时空特征进行了分析,提出了一种MS-DBSCAN算法,能够更有效的定位热点区域的区域范围及中心位置信息,开发了滴滴订单数据分析可视化系统,为城市规划、交通建设管理获取居民出行需求提供参考。