随着移动通信技术的发展,基于手机信令数据的交通信息采集技术越发受到交通部门的重视,且有望得到广泛应用。在城市交通管理以及规划领域,基于手机信令数据挖掘城市空间特征、职住关系、交通信息成为越来越重要的研究方向。通过对手机信令数据挖掘城市空间特征、获取区域人流量,对城市交通进行监测,对城市交通和城市规划具有重要的意义。目前关于城市交通分析主要采用GPS数据,这类数据定位精确、但覆盖范围有限。而手机信令数据虽然定位精度较差,但是其样本量大,实时性高、获取成本低,最重要的一点是覆盖范围广,满足论文对整个城市区域的研究,因此基于手机信令数据进行城市空间特征分析及城市区域不同时间、不同方位的人流量预测有着重要的研究价值。论文首先对手机信令数据的定位原理进行分析,在了解定位原理基础上,对手机信令数据的特征进行分析。为了有效刻画用户真实位置,需要对误差数据进行有效的处理。为了能够有效抑制定位数据的定位精度不足、弱化定位数据采样间隔不均匀以及刻画城市区域流量,提出对城市区域网格化处理技术,将具体定位点泛化处理在一个网格区域内。在网格化的基础上,论文提出了基于网格的区域人流量提取算法,利用该算法获取各网格流量,以此刻画城市区域在不同时间、不同方位的人流量,满足对城市空间特征分析和人流量预测的需求。其次,论文以网格化为基础,主要从三个方面对城市空间特征进行分析。第一,基于网格化的城市人口时空分布,分析整个城市的人口时空分布情况。第二,提出基于POI辅助的多日长时职住地识别方法,分析整个城市的职住地分布及其对城市交通的影响,并通过扩样方法验证该识别方法的合理性。第三,在以上两点分析的基础上,对城市人口密集区域进行交通拥堵形成机理与演化分析,论文提出基于人流密度的网格交通状态划分,然后采用层次分析法获取区域交通拥堵度,进而对城市区域的交通状态进行判断,然后从时间和空间两个角度对区域的交通拥堵演化进行分析,最后总结拥堵形成原因并给出拥堵解决策略。最后,论文在区域流量提取的基础上,分析区域流量序列的可预测性和模型的选择与可行性,结合LSTM神经网络在时间序列预测方面的优势,论文采用LSTM神经网络建立区域人流量预测模型。论文结合区域流量序列的影响因素和空间类型,将这两个外部特征加入模型进行训练,提高了区域流量预测模型的预测精度,实验结果表明外部特征对预测模型具有一定的影响,也证明了采用LSTM进行流量预测的可行性与有效性。