交通需求与交通供给之间的矛盾是导致交通拥堵的重要原因之一。为了掌握交通需求,需要获取尽可能丰富、准确、及时的居民出行特征信息。传统的居民出行调查是一种以统计抽样理论为依据、以人工调查为主要信息获取手段的居民出行特征获取方法。这种方法涉及到大量调查人员的组织工作、耗费成本极高,一般只有较大规模的城市才有实力面向全市范围开展调查,并且只能数年实施一次。基于这种传统方法获取的居民出行特征信息在时效性上已经逐渐无法满足城市快速发展背景下的交通规划与管理工作的需求。随着智能交通系统的发展,GPS定位、手机定位等技术普遍应用提供了海量的定位数据,这种全新数据源为交通调查提供了在时间上和空间上更好的交通出行相关数据。本文针对利用大规模定位数据这种全新数据源进行居民出行特征获取的方法开展研究。　　 论文回顾了目前用于获取居民出行特征数据的几种主要方法,梳理了居民出行调查方法的特征及其在国内外的应用发展历程,论述了OD反推方法的研究现状和局限性,详细介绍了国内外基于定位数据的居民出行征信息获取技术的研究与应用发展现状。通过对比,指出了传统的居民出行调查和OD反推方法的不足,阐明了基于大规模定位数据获取居民出行特征的优势。本文通过研究建立了基于大规模定位数据的居民出行OD估计模型。该模型真正将大规模定位数据这一全新的数据源应用到居民出行特征的信息获取中。该模型针对给定的交通小区划分方案,以大规模定位数据为输入,获取出行OD矩阵数据。论文给出了动态OD矩阵的估计与后处理方法,该方法可应用于实时的高频率更新的交通出行OD矩阵的估计。此外,论文还对基于定位数据进行出行目的判断的方法进行了初步的讨论。出于出行方式判别的需求,本文提出了将单个目标的基于位置点序列描述的出行轨迹匹配到实际路网上的路径匹配算法。在此基础上,针对轨道交通,提出了基于线路确定性和速度特征的出行方式识别方法；针对机动车、自行车和步行等三种地面出行方式,提出了基于大规模定位数据的利用多属性聚类的交通出行方式识别方法。　　 本文结合北京市的实际情况,将各项理论研究成果应用到交通规划中包含的交通生成、交通分布、方式划分、交通分布四个方面。使用真实历史数据,对本文的研究成果进行了应用测试。测试给出了一系列的实际数据应用成果,充分证实了本文研究成果的实用价值。综上所述,本文提出了基于大规模定位数据这种全新数据源的出行OD矩阵估计模型和出行方式识别方法,并通过实际历史数据的应用测试证明了研究成果的实用性。　　 本文研究成果能够以更短的更新周期提供居民出行特征信息,可以配合居民出行调查,更好为交通规划和管理工作服务。在该技术研究领域内,还存在一些尚未解决的问题,后续研究可以考虑在(1)大规模数据的大范围应用；(2)与基于其他数据源的数据成果的融合和互相校正；(3)引入更多的基本交通参数以提高交通出行方式和出行目的的判断准确度等方面深入开展,进而挖掘该课题的更深层次的意义。