随着社会的发展和人类对服务领域要求的提高,城市居民出行行为研究成为国内外学者广泛关注的问题。大多数学者通过研究城市居民的交通行为,总结居民通勤规律,以期缓解交通拥堵现状,提升通勤质量。人作为复杂的个体,其出行行为常受到个人习惯等主观因素的影响及客观环境的限制。近年来,国内外移动社交网络（Location-based Social Network,LBSN）,如微博、Twitter等的迅猛发展,极大地拓展了人类传统社交方式,提供的海量社交媒体数据可用以分析城市居民日常行为特征。然而,当前研究主要集中在省域及城市大尺度上城市居民日常出行的特征,未考虑居民自身行为的复杂性,更缺乏将“人”的出行经验信息纳入建模。由于个体的出行行为偏好与包括职业、年龄在内的群体标签之间互相影响,因此,城市居民在不同时空间扮演的社会角色的不同将导致其出行行为特征随之变化。基于此,本文根据美国波士顿海量Twitter签到数据,基于社会感知视角,首先分别从居民出行频数、出行目的分布、出行时间分布和居民空间分布角度分析了居民出行行为时空特征;其次,构建居民出行移动模式模型和潜在狄利克雷分布模型（Latent Dirichlet Allocation,LDA）,定性和定量研究不同的城市居民群体的出行行为规律,并探索居民工作日和周末出行行为差异;最后,加入表征居民出行经验的先验信息,构建标签狄利克雷分布模型Labeled-LDA,将波士顿居民划分为大学生、中小学生、上班族、居家人员及夜间活动族五个群体,于群体维度分析城市居民的出行行为特征,对比不同群体的出行行为差异,并讨论个体出行行为的不确定性。研究结果初步表明:（1）波士顿城市居民以居家活动为主,以于购物场所、办公场所、学校及公共交通场所的出行活动为辅,城市居民的日常出行活动呈现不同的时间分布特征,大部分波士顿居民符合“日出而作,日落而息”的生活规律,外出出行活动在夜间明显减少。（2）利用主题模型LDA可以从城市居民出行模式中识别不同的居民群体。海量Twitter签到数据中蕴含着丰富的居民出行行为信息。通过定义城市居民出行移动模式和活动模式,构建LDA模型所需的词汇库,在不预先提供居民群体信息的情形下,计算城市居民个体所属不同群体类型（主题）的后验概率水平。初步得到以下城市居民群体信息:居家人员群体（以居家活动为主）,学生群体（以居家和往返学校为主）,工作人员群体（以居家和往返办公场所为主）。（3）通过引入先验信息构建Labeled-LDA模型,可以进一步优化城市居民群体类型的识别。从LDA模型获得的居民群体类型（大学生、中小学生、上班族、居家人员及夜间活动族等）是初步的,通过将其作为先验信息引入LDA模型,得到的Labeled-LDA模型可进一步对个体属于城市不同居民群体（如大学生、中小学生、上班族、居家人员或夜间活动族等）的先验概率水平更新为后验概率,从而在群体维度上对城市居民出行行为规律有了更好地解释。（4）城市居民个体活动的丰富多彩彰显了城市的活力与魅力,也为城市群体类型的识别带来了不确定性。以后验概率分布形式给出的Labeled-LDA模型的群体分类结果,有效体现了个体出行行为的复杂性与不确定性,为城市居民在不同时间和地点表现出不同出行行为的群体特征提供了概率上的解释。