城市居民出行影响着城市生活的方方面面,对城市居民出行特征的分析与探索是城市地理学领域研究的热点问题。一方面,形式各异的海量交通数据信息,为全面剖析城市居民出行特征提供数据源。另一方面,新兴时空分析模型能够有效地解决时间、空间和属性三者之间的相互作用关系,为揭示城市居民出行活动的时空特征提供手段。目前对于出行特征研究多使用单一类型的交通数据,但居民出行方式具有多样性,单类型数据源无法完整反映出行特征。且传统的出行分析方法多是针对单一维度的基于时间的时间序列分析或基于距离的空间分析,无法满足出行行为是同时具备时空特性的分析需要。同时,对于出行在不同区域间的交互关系研究较少,且多为点到点的模式分析。鉴于此,本文以多源公共交通大数据为基础,以上海市为研究区,通过构建出行时空数据模型、出行热点等级结构模型与区域移动模式识别算法,对城市居民在不同时间节点,即工作日、周末与节假日下的出行特征进行了深入研究。本文的主要研究内容与结论如下:1、基于Hadoop平台的多源交通大数据预处理方法Hadoop平台能够高效且又低成本地对海量数据进行分布式并行计算,本研究使用的交通大数据包括一个月的出租车轨迹数据及轨道交通刷卡数据达523 GB,适用Hadoop平台进行数据处理与分析。对此,本研究提出了基于Hadoop分布式平台对地铁与出租车轨迹进行预处理的方法,及提取出行OD数据集的方法,为后续实验分析奠定基础。2、构建居民出行特征挖掘处理框架居民出行特征主要包括三个方面,时空聚类表现、出行方向分布及交互特征,据此,本研究构建了居民出行特征挖掘的处理框架:首先构建时空立方体模型,对出行轨迹的时空分布进行三维可视化,利用时空热点分析方法,将时间和空间放于统一分析尺度下,定量表达居民出行高值和低值在时空区间内的聚类程度,探讨区域内居民出行时空热点模式;然后构建出行热点等级结构模型,表征出行热点的规模等级关系,利用标准差椭圆判断热点分布方向,探讨出行的空间结构分布规律;最后通过区域移动模式识别算法,识别出行聚集区域与区域间定向移动的模式,并通过构建多个统计指标提取区域间的交互特征。其中,出行热点等级结构模型的构建中,本文提出基于出行密度场的热点探测模型,而在区域间交互特征的挖掘中,主要基于模式覆盖度、区域依赖性及区域交互强度三个指标进行深入剖析。时空立方体模型重点揭示居民出行的时空聚类变化;出行热点等级结构模型强调出行热点规模等级关系及方向分异特征;区域移动模式识别则关注出行热点区域之间的交互特征。研究发现,从以上三个方面进行分析,能够较为全面地挖掘居民出行的时空特征。3、居民出行时空特征挖掘本研究通过对一个完整月的数据进行居民出行时空特征挖掘,发现居民在工作日、周末与节假日表现出三种不同的出行特征。同时,地铁与出租车能够相辅相成共同为居民出行提供方便,通过对不同交通方式出行轨迹的研究,能够得到互补的出行特征,地铁特征遍布范围广,更能体现全局特征,而出租车特征集中,更体现局部特征。(1)出行时空热点模式。地铁工作日的热点模式能够揭示通勤对象的不同通勤时间分布,识别大致的工作区及住宅区,周末与节假日的热点模式,能够识别商圈、交通枢纽。而出租车不同时间节点下出行时空热点模式大致相同,并识别出上海市四个城市副中心。(2)出行热点规模等级关系及方向分异特征。地铁不同等级的出行热点在不同时间节点表现出明显的模式分组特征。从方向分布来看,地铁出行热点反映了上海市发展大方向为东北—西南方,且逐渐往西与西南方发展,而出租车热点空间分布固定更能反映当前城市最繁华的区域及交通枢纽的位置。(3)出行区域移动模式。工作日体现通勤行为的移动模式,分布在中心城区与浦东新区,固定的通勤行为使其可快速识别住宅区与工作区的空间分布情况;周末出行模式类别更加多样,包括通勤、体育、休闲娱乐,但通勤模式的交互强度较工作日弱;节假日显著移动模式均分布在上海市四周边缘区域,体现的是出游,且模式中包含八个单站点区域,说明假日居民出行的目的性更加明确。同时,由区域移动模式的指标统计表明,工作日居民出行区域更多样。不同时间节点移动模式的区域交互强度趋于稳定下降,交互强度从强到弱依次为,工作日>周末>节假日。