城市居民的职住地分布与通勤路线挖掘一直是城市研究中的热点问题,在许多领域如交通流分析,城市规划、出行特征分析和路径推荐中具有重要意义。在传统的城市研究中,居民职住地分布数据的主要来源是问卷调查。然而,大规模问卷调查存在耗时长、数据获取成本高、调查准确度受到受访者配合度影响大等问题。随着交通信息化建设的逐步推进,越来越多的信息采集设备可以为城市研究提供数据来源。目前手机的迅速普及、数据挖掘和大规模计算技术的不断发展和成熟,使得移动蜂窝网络成为分析城市居民出行特征的理想探测器。本文通过对Cell-ID定位数据进行清洗、聚类,然后提取出居民职住地、恢复居民的通勤轨迹信息。本文的研究工作主要包含三部分内容。首先,针对Cell-ID定位数据的采样特征及误差特征进行分析,对无效冗余数据和噪声数据进行清洗;其次,针对现有蜂窝网络所提供的Cell-ID定位数据较低采样率和定位不精确的问题,提出一种基于多天数据的两步聚类算法,利用人们出行的规律性采用DBSCAN算法聚类出用户的重要停留位置,随后提取特征后对所有用户的重要停留位置使用模糊C-Means算法进行再次聚类,从而完成居民职住地的识别,以实际的基站定位移动通信用户位置信息为样本进行了实验验证,相关结果表明,两步聚类方法可以有效地从Cell-ID定位数据中识别居民职住地;最后,针对通勤轨迹点稀疏问题,提出代表性通勤轨迹提取算法。该算法首先根据相对归并距离计算用户多天通勤轨迹的相似度矩阵,然后使用改进的CATC算法对轨迹进行聚类,得到主要通勤轨迹簇,接着提出一种轨迹融合方法,将簇中轨迹融合为代表性通勤轨迹,来更好地表征用户的通勤行为。本文使用人工数据集和真实数据集对算法的可行性和有效性进行评估,实验证明聚类算法准确度高于对比算法,轨迹融合可以有效提高轨迹定位点数,获得更接近真实路径的代表轨迹。论文的相关工作对于研究适用于蜂窝网络Cell-ID定位数据的用户职住地分析、城市居民通勤路线分析技术的研究与应用提供了可行的研究思路和技术路线,对后续相关方向的深入研究具有一定的参考和应用的价值。