大容量的城市轨道交通系统在应对城市交通问题上发挥了重要作用,同时也在微观和宏观层面塑造和改变了城市形态,成为观测城市潜在变化的一个窗口,其中从轨道交通站点乘客的行为规律,推测其服务的城市社区特征及其演变,成为一个研究热点。但传统数据获取方式,在数据完备性、时效性等方面均存在诸多问题,制约了轨道交通站点服务功能识别及其相关因素的挖掘。本文中基于连续多个工作日的轨道交通AFC(Auto Fare Collection,AFC)数据,利用数据挖掘方法识别车站服务功能,并依据站点周边多源建成环境数据,分析了与站点服务功能相关的因素。具体地,本论文主要完成了以下工作:第一,基于北京市2017年连续5个工作日轨道交通AFC数据,分析了轨道交通客流规律。首先研究了轨道交通乘客全网出行时间分布、全天分小时轨道交通乘客出行平均时长、乘客出行半径以及平均出行次数;其次,通过分析现状典型车站宏观客流时间序列数据,选取早晚高峰时段作为区分车站客流特征的典型时段;最后,分析了全日及早高峰时段乘客出行OD的环线分布规律。第二,通过构建乘客出行时空概率,量化了乘客出行特征。结合站点宏观客流规律,通过构建11个车站指标,提取了反映轨道交通站点微观及宏观两方面客流特征;采用狄利克雷高斯混合模型基于上述指标对站点进行聚类分析,挖掘出交通枢纽及旅游商业类、居住类、居住主导类、工作类及工作与居住混合类等五类典型车站服务功能;最后对各类车站的空间分布进行了分析。第三,基于站点周边建成环境数据,统计分析轨道交通车站周边500米范围内各类建成环境数据,包括站点空间位置、周边房屋信息、周边餐饮信息以及旅游机构、公交、教育机构等其它POI信息等;分析轨道交通站点周边500米范围内各建成环境因素与站点服务功能之间的相关性,基于多项logit模型(Multinominal Logit Model)识别与站点服务功能存在显著性关系的因素。本文基于轨道交通AFC数据及站点周边建成环境数据,首先基于贝叶斯框架,通过计算乘客时空出行概率,量化了乘客出行特征,使得在同一尺度下考虑高频乘客及低频乘客成为可能;其次综合考虑宏观及微观层次的客流特征,挖掘轨道交通站点的典型服务功能,通过利用乘客个人出行行为与车站宏观客流规律相互验证,提高了站点服务功能识别结果的可解释性;最后通过分析车站服务功能及站点建成环境因素之间的相关性关系,表明站点时空特性及站点周边建成环境对于车站服务功能均存在显著相关性关系。