随着社会主义现代化的不断深入,人们生活质量越来越高,机动车数量也随之增加,导致城市交通面临着日益增大的压力,从而引发一系列的交通拥堵、环境污染等问题。进行居民出行调查和出行行为分析,掌握居民出行规律和出行特征是缓解交通拥堵等问题的重要举措。居民出行调查中应用最广泛的是传统的居民出行OD调查,其核心思想是通过入户调查等方式获取居民出行信息。但这种调查方式受调查者影响较大,在实际调查时调查者受个人主观回忆的影响,容易出现漏报或错报出行的情况。因此居民出行OD调查存在调查效率较低、调查者负担较重、调查准确性较差等弊端。GPS设备作为一种新的调查工具,具有快速准确记录个人出行轨迹数据等特点,引起了学者们的广泛关注。而基于GPS的出行调查能够不受调查者主观认知影响而精确记录数据,不仅使调查数据的可靠性和完整性得到了显著的提高,同时还具有调查效率高、数据精度高、获取信息量大等优点,已成为获得居民出行行为信息新的有效途径。研究挖掘GPS调查数据,提取出行信息,进行出行方式识别是分析居民出行行为新的途径。本文基于GPS调查数据识别出行方式。提出一种由地铁识别和分层方式识别模型(Nested Logit,NL模型)组成的出行方式识别算法,该算法能够识别出五种出行方式:步行、自行车、地铁、公交车和小汽车(包括出租车和私人小汽车)。首先由于地铁出行线路具有显著确定性,考虑空间距离参数阈值识别地铁。同时为了比较地铁识别方法的准确性,建立基于MNL(Multi-nomial Logit)的地铁识别模型识别地铁和非地铁用于识别结果的对比分析。然后考虑各出行方式之间存在差异性,建立分层方式识别模型识别其他四种出行方式。与对应的纸质填报出行信息的对比误差结果表明考虑空间距离参数阈值识别地铁的准确率要高于基于MNL的地铁识别模型,是识别地铁的有效方法,NL模型也具有较高的识别准确率。验证了所设计的算法具有较高的识别精度。本文提出的基于GPS数据的出行方式识别算法是进行出行方式识别的有效方法,其研究结论可应用于基于GPS的出行方式识别和居民出行特征分析,有利于提高出行调查和数据处理的效率和精度。结论对于GPS在居民出行研究领域的推广,以及分析居民出行行为规律、诊断交通问题、缓解交通拥堵,促进城市交通系统的健康发展具有深远意义。