长期以来,公路运输在我国货物运输行业始终占据着主导地位。在如今经济高速发展的背景下,各个地区货运需求在不断增长,公路货运规模也在不断扩大。同时,随着大数据、机器学习、人工智能等技术的飞速发展,为深入挖掘轨迹数据信息进一步探索货运车辆出行规律,提供了科学技术的支持。因此,本文基于货运车辆GPS轨迹数据,将出行链理论应用到货运交通的研究中,在识别货运业务点与主要基地仓库的基础上,构建货车出行链并对出行链的相关特征进行分析,进而基于出行链特征对货运车辆进行聚类研究,为货运车辆出行链行为的建模研究提供理论基础,为货运市场的细分及货车运营商针对性地为不同类别车辆提供定制化运输方案提供参考。本文主要工作内容如下:（1）提出货运车辆的货运业务点及主要基地仓库识别方法。通过对原始的GPS轨迹数据进行清洗处理,输出有效轨迹数据,从而为后文工作提供了可靠的数据基础。在此基础上,首先对货车的有效停留点进行提取,并进一步剔除因长时交通拥堵、服务区休息、加油等造成的停留干扰,进而识别车辆业务点;然后基于业务点的空间分布情况,采用改进的DBSCAN算法识别车辆的基地仓库,并提取获得每辆车的主要基地仓库。（2）提出货运出行链的构建及对应出行链特征识别计算方法。将货运出行链作为研究的切入点,基于货运车辆业务点及主要基地仓库的识别结果,构建车辆的货运出行链并识别计算对应链的相关特征;结合计算结果统计分析了所有车辆货运出行链在时间、空间等方面的整体分布情况;然后以单个货运车辆为研究对象,分析其平均出行链特征,结果显示,不同货运车辆对应的出行链行为模式存在较强的异质性。（3）基于出行链特征的车辆聚类及各类别车辆出行特征分析。基于出行链特征研究货运车辆间出行模式的差异性,在确定特征聚类指标的基础之上,采用K-means算法对货运车辆进行特征聚类研究。为保证聚类效果的有效性,首先对出行链特征数据进行标准化处理,并通过手肘法和轮廓系数来确定聚类数目;然后,基于出行链特征将货车分为3类,并依据特征结果分析了各个车辆群体的出行特征,可以为货运行为建模及货运需求预测等提供理论支撑。