公共交通是城市交通的重要组成部分,也是城市居民日常出行的重要交通方式。研究城市居民的出行模式对于分析城市公共交通有着重要的意义。传统的居民出行研究一般是基于出行调查数据,但是这种方式费时费力且获得的样本量较小。随着信息技术的发展,智能交通系统在我国的公共交通系统中广泛应用,车载智能传感设备能够获取大量基于微观个体的时空轨迹数据,这些数据不仅记录了乘客乘坐公共交通工具的时间信息,也记录了车辆运行的时空轨迹信息,为研究居民出行活动模式提供了新的途径。本文的研究基于深圳市居民出行刷卡数据,主要包含IC卡刷卡数据、公交运行GPS轨迹数据和基础GIS数据等,这些信息蕴含着丰富的城居民出行活动信息,反映了城市微观个体出行活动的时空变化。根据这些数据可以对刷卡用户的上下车站点位置进行推导,构建乘客出行链信息,用于居民出行活动分析和挖掘,发现居民出行活动的多种模式和规律。居民出行模式挖掘的常用方法是对轨迹数据进行聚类分析,该方法可以有效的提取时空轨迹数据中的相似性特征,并发现有意义出行活动模式。而传统聚类分析方法并不适用于含有位置和时间的时空序列数据,因此需要对传统轨迹聚类方法进行时空扩展,以满足研究需要。本文首先根据多源数据以及相关规则约束,从原始数据集中推导出居民出行的上下车位置,构建完整的居民出行轨迹链,并初步分析居民出行的时空规律分布;然后利用所提出的轨迹相似性度量模型对居民出行轨迹之间的相似性进行计算,并基于层次聚类的方法来挖掘居民出行活动模式;最后根据聚类出的居民出行模式分类结果和社会背景来分析其形成的原因。本研究不仅有助于揭示大规模轨迹数据背后所隐藏的居民出行活动模式,也为理解人与城市的交互作用以及城市公共交通出行及规划提供了参考。