人群出行时空模式是出行行为的时间分布与空间分布特征的集合,体现了城市居民出行行为的时空动态规律,透视了城市环境下的人地关系。目前,我国正处于快速的城市化进程中,城市内部土地利用和空间结构正发生着深刻的变化,针对人群出行时空模式的研究,从居民感知的角度获取城市空间和社会信息,为城市空间结构和功能结构的研究提供了新的视角。得益于基于位置服务(LBS)技术的发展,可获取的出行轨迹数据在质量、规模、信息密度等方面有了显著提高,突破了传统调查数据仅能分析个体出行的局限,支持城市居民集体出行时空动态特征的研究。出租车作为城市公共交通的重要组成部分,通过其轨迹数据挖掘人群移动规律,探索其中蕴含的人群出行模式,是理解城市区域空间结构和功能分化的重要途径,轨迹数据挖掘也因此成为GIS及相关学科的研究热点。已有研究分析了出租车出行需求的空间异质性,但对于出行行为在时间维度中的周期性变化特征仍缺乏相关研究。出行行为的时空差异分析可以在更精细的时空粒度下体现居民出行特征,为城市规划、交通评估、异常监测等工作中提供重要的参考依据。本文在分析出租车轨迹数据与道路网络关联的基础上,探讨了顾及路网约束的出租车轨迹数据集计处理方法,构建了出租车出行时间序列数据集。从出租车出行时空模式的时序特征出发,结合时间序列聚类方法识别具有相似出行模式的区域。利用随机森林构建出行模式与区域功能特征之间的关联模型,定量分析出行模式驱动机制,研究的主要内容与结论如下:(1)面向出行模式分析的出租车轨迹数据集计处理方法首先,本文依据出租车轨迹数据的结构特征,确定出租车上下车点(OD)数据的清洗与提取方法;分析OD数据的时间分布特征,确定以OD频次时间序列作为区域出行时空模式的主要特征;分析OD点与道路网络的关联,采用道路交点缓冲区构建研究单元,对出租车轨迹数据进行集计处理,获得出租车出行时间序列数据集,为出行时空模式提取奠定数据基础。(2)基于时间序列聚类的出租车出行时空模式识别和提取针对出租车出行时空模式研究单元对应的时间序列形态特征,利用结合距离度量与增长趋势相似性度量的时间序列相似性度量函数,计算研究单元间的时序相似性,结合基于密度的聚类算法,提出一种适用于出租车数据的出行时空模式识别方法。该方法可以有效的排除噪声数据的干扰,识别出具有相似时序特征的出行模式,提高了出行模式识别精度。(3)出租车出行时空模式驱动机制研究同类出行模式的空间分布范围内往往具有相似的用地类型和区域功能。通过POI数据构建区域功能特征集,利用随机森林建立出行模式与区域功能特征之间的关联模型,结合模型分类精度验证了区域功能对出行模式的驱动作用,通过计算特征重要性与特征贡献指标,确定定量分析出行模式驱动机制的研究方法。(4)南京市出租车出行时空模式识别与驱动机制实例分析以南京市2010年9月出租车轨迹数据为实验数据,利用上述的方法分别识别与提取工作日和周末的出租车出行时空模式,结合电子地图和南京市土地利用规划图对出行模式的空间分布特征进行初步分析。结合南京市POI数据构建驱动机制特征集,实验证明区域功能对出行模式存在较为明显的驱动作用,进一步计算特征重要性和特征贡献,定量化分析区域功能特征对出行模式的驱动机制。