出行方式是指居民出行所采用的方法或使用的交通工具,是居民出行的重要特征之一。通过对个人出行轨迹中出行方式的识别,不仅可以研究居民日常出行的活动规律,还可以发现出行规律相似的其他个体。相似个体的出行和节假日娱乐活动可以作为对另一个体的参考。最早获取出行方式相关的信息是通过面对面采访的方式。出于对安全和成本的考虑,一些学者通过邮件或电话采访的方式获取。但是通过电话采访和纸质记录来获取的方式是对出行者的一种回访式记录,不仅获取数据的效率不高,而且收集到的数据有时会与实际出现偏差。随着现代技术的不断进步,通过各种移动终端收集得到的时空轨迹数据开始用于出行方式的研究。相比于传统的数据收集方式,这种方式可以以较低的成本收集到时间分辨率和位置精度更高的数据。通过对个人出行方式规律的研究,可以分析出其生活习惯、兴趣爱好、职业等信息。出行方式序列相似的个体组成群体,因此群体中的个体的有相同的兴趣爱好的可能性较高,可以将个体的爱好推荐给群体中的其他个体。本文以微软亚洲研究院提供的GeoLife数据集为数据源,利用一种基于轨迹点特征与点密度分析的方法剔除个人出行轨迹中的停留点从而实现轨迹的分段。利用基于LightGBM框架构建出行方式模型识别子轨迹中个人出行方式,最后采用基于最长公共子序列和最长公共子串的方法计算出行序列间的相似度,并用基于图论的方法进行群体的发现。本文的主要研究工作如下:(1)基于轨迹点特征与点密度分析的轨迹自动分段方法研究个人轨迹数据是随时间变化的时空数据,反映了移动对象的停留和出行的情况,其中出行情况包含了不同的出行方式。出行是运动个体从一个地点移动至下一个地点的一段路程。轨迹中的停留段可能是道路拥堵、乘客等车或室内活动等情况造成,这些停留段可以作为轨迹分段的依据。因此本文研究并提出一种基于轨迹点特征和点密度分析的自动轨迹分段方法,识别出轨迹中的停留段从而将个人轨迹划分为仅包含单一出行方式的子轨迹。(2)基于LightGBM的个人出行方式识别利用机器学习的方式实现对出行方式的识别已被一些专家学者的实验结果证明有效。集成学习通过用某种规则将多个弱学习器集成从而得到更加稳定、更加健壮的模型,是机器学习中一类泛化效果较好的方法。本文基于LightGBM集成学习的理论与方法,利用子轨迹特征构建和训练轨迹出行方式分类器,识别出数据集中无标签轨迹的出行方式。(3)基于个人出行方式序列相似性的群体发现群体是指具有相似出行习惯的不同个体,相比于单一个体的出行方式,群体的出行规律更具有研究价值。本文将个人出行轨迹转换为个人出行方式序列,将最长公共子序列与最长公共子串的方法计算得到相似度的平均作为个体间的相似性度量,用基于图论的方法进行群体的发现。群体中影响力较高的个体行为活动可以给群体中的其他个体出行和活动提供参考。