随着社会不断进步以及经济快速发展,城市化进程也在逐渐地加快。城市化是能有效推动城市的社会经济进步和国民经济发展的一个重要因素,是评价一个城市综合竞争力的一个重要指标。城市化给人们的日常生活带来了便利,但同时也给城市规划带来了相关的问题。城市热点的空间分布能够代表城市化程度,所以通过分析居民出行行为,提取城市热点出行区域,能够帮助我们了解居民的时空聚集范围、城市的空间分布和城市公共的问题,城市热点的识别能够帮助交通规划管理者引导人群疏散、规避交通拥堵等问题,为居民出行提供方便。城市交通热点区域,是指商业较发达、居民出行次数较多、交通流量较大的区域。城市热点分析是指利用城市人流分析城市交通流量较大、居民出行次数较多的区域。分析居民出行行为和城市的空间分布,为居民出行提供更加合理的出行方案,为城市合理规划提供更加有效的决策分析方案。本文的主要工作内容如下:(1)数据预处理。本文使用成都市2016年10月滴滴出行的轨迹数据,为避免无效数据对分析结果的干扰,本文提出GEN-SVM(Genetic-Support Vetor Machine)分类算法。该算法首先使用遗传算法优化支持向量机(Support Vetor Machine,SVM)算法中的参数并使用SVM对数据进行分类;然后使用分类间隔评判分类结果的优劣;接着通过评判结果的反馈决定算法的迭代次数,直到得到最优(或较优)的分类结果时,停止算法迭代并输出最终分类结果;最后将正常数据匹配到相应的路段上,为居民出行热点分析奠定了基础。(2)城市热点时间分析。从轨迹数据中提取居民出行的OD(Origin出发点,Destiantion目的地)信息,将10月的数据分为国庆一周、工作日和周末的数据,为减少某天因天气、环境等特殊原因对分析结果造成的影响,工作日和周末数据的取值为10月8日-10月31日间工作日和周末对应数据的均值。分析国庆一周、工作日、周末的分时段出行次数和出行时长,对比分析成都市居民出行活动中节假日和工作日出行规律的不同,并用可视化方法展示居民出行在时间上的分布规律。(3)城市热点空间分析。提出一种基于轮廓系数的SC-DBSCAN(Silhouette Coefficient-Density-Based Spatial Clustering of Applications with Noise)聚类算法,改善了传统的DBSCAN算法在交通数据聚类中大量调节参数的问题。该算法首先对上车点区域进行网格化划分,将轨迹数据的位置信息映射到网格中,计算每个网格中位置数据个数,同时计算位置数据点之间的距离;接着基于网格内数据个数范围决定DBSCAN中的最小样本个数Minpts参数值,基于点之间的距离范围决定DBSCAN中的最小半径?,让参数值在两个范围内取值;最后通过轮廓系数判定聚类效果产生迭代过程,直到有较好的聚类结果则输出,从而识别城市的热点区域。