随着全球卫星导航定位系统(Global Navigation Satellite System,GNSS)和地理信息系统(Geographical Information System,GIS)技术的广泛应用,大规模个体时空数据的获取正不断成为现实。使用交通轨迹大数据提取城市群体的出行状况、职住关系、出行规律等成为目前国内外研究的热点内容。城市群体出行及其蕴含的空间交互是人类活动分析与城市空间结构研究的基础。全球化、信息化作用下,轨迹大数据与人工智能方法相结合,带来城市研究与人类活动分析的新途径。城市交通包含多种出行模式,单一出行模式仅代表城市部分群体的出行规律,具有偏向性,无法表示整个城市的出行状况,不同模式产生的数据所表现的出行规律等信息不同。城市群体出行规律对城市交通规划与管理、土地利用布局、城市基础设施以及城市交通预测等起着至关重要的作用,但是研究发现,目前大多数学者都是使用单一类别数据分析城市群体出行规律,融合容易获得的出行规律获得城市居民的整体出行信息给地理学的研究来了新的研究内容。本文使用获取的公交、地铁、出租车以及手机出行进行多模式出行融合方法的探索研究。文中的多模式出行融合并非多类出行数据的简单合并,而是指融合多类出行模式的出行规律。以出行规律作为出行数据的特征,文中的融合方法可以参考传感器数据特征级融合的方法。本文的主要研究思路是使用多模式出行数据,基于出行相关性和出行密度分析,并参考传感器数据特征级融合方法提出一个多模式出行规律融合框架以获取多模式出行融合的融合系数。本文利用深圳市一周7亿条出租车GPS、公交卡GPS和智能卡轨迹记录,提取全市域内出租(Taxi,T)、公交(Bus,B)和地铁(Metro,M)出行记录,首先使用出行流量、距离、时间和方向进行多模式间出行相关性检验,实验结果显示:①城市出租、公交、地铁三类出行之间存在显著差异,公交-出租、地铁-出租出行一致性呈现整体低局部高,而公交-地铁两类出行之间的一致性较高;②多模式出行规律一致性存在空间分异和方向分异特征,城市中心区域内出租、公交、地铁的群体出行规律一致性较高,郊区的出行规律一致性较低。以上述所求相关性的显著性检验结果为基础,联合出行密度,将深圳市分为5个不同的大区域,以手机数据获取的出行记录作为深圳市整体出行记录,结合间接平差的方法获得不同区域各出行模式的融合系数,并与城市交通结构作对比,实验结果显示该融合方法在深圳市的大部分区域是可行的。全球化、信息化作用下,轨迹大数据与人工智能方法相结合,带来城市研究与人类活动分析的新途径,多模式出行融合完善了城市群体出行研究中因数据不充分而产生的不足,为深入研究城市群体出行、城市交通等提供数据支持,为未来城市建设、城市规划、城市土地利用乃至城市发展打下基础,为进一步完善深圳市的交通设施,解决交通拥堵问题提供建议,也为大数据融合提供方法,促进科学发展。