出行行为的研究一直是交通研究中的重点内容。近年来,随着信息技术的发展和“大数据”时代的到来,出行行为数据的采集更加便捷,数据内容更加丰富准确,数据体量也更加庞大,“交通大数据”孕育而生。面对如此庞大复杂的数据,传统的出行行为分析方法显得难以适应,出行数据中所蕴藏的丰富信息难以被有效利用。另外,近几年机器学习技术得到了快速发展,在许多领域内都取得了成功应用。如何利用机器学习中的技术方法来分析研究交通出行行为是当前“交通大数据”发展的重点内容。因此,本研究着重关注如何利用机器学习技术来分析研究交通出行行为中的特征和规律。论文首先介绍了本次研究中所用的北京市出租车GPS数据集来源、数据内容以及针对原始数据集的数据整理和数据清洗工作,接着分析了北京市出租车系统的总体运行特征,之后从出租车出行行为的宏观统计规律角度出发,分别针对出租车出行行为中的出行距离、出行时间和出行时间间隔等时空特征进行了统计分析。结果表明,与现有的一些研究结论相似,出租车出行行为的统计规律服从幂律分布,进而验证了出行行为的幂律分布特性。接着,为了更加精确地研究出租车出行行为中的微观模式特征,本研究引入了自然语言处理中常用的LDA主题模型。通过出租车GPS出行数据与文本数据之间的类比,说明了主题模型在本次研究中的适用性。经过适当的离散化处理,论文构造了“出行时间+出行距离+行程时间”形式的“词语”,并应用LDA主题模型对北京市出租车GPS数据进行了分析研究。结果表明,主题模型不仅能够通过主题-词语条件概率分布有效地给出隐藏在GPS数据中的微观出行模式特征,还能够通过文档-主题概率分布给出每天各出行模式的分布规律,进而发现出行行为中的周期性特征。论文还从文档-主题概率分布角度出发,针对出租车GPS出行数据中的周期性规律存在的可能原因做出了解释和说明。最后,针对出行行为中的出行预测问题,论文基于北京市交通小区的划分、长短时记忆神经网络模型和编码-解码神经网络模型,分别构建了针对单个交通小区和多个交通小区的出行预测模型。论文将前20天出行数据作为训练集,后2天出行数据作为测试集。通过与其他常用交通预测模型在测试数据集上预测结果的对比,说明了基于神经网络所构建的出行预测模型的可靠性和优越性。另外,通过比较不同时间间隔长度下模型的预测效果,得到了各情景下的最优时间间隔长度。