随着社会的发展和科学技术的不断进步,移动通信和传感设备等位置感知技术形成了大量的位置数据,对这些位置数据进行挖掘和分析,从而发现其潜在的有用信息,合理进行城市建设规划和出行路线规划,将会大大促进现代社会的智能化、信息化。同时,从人们出行的轨迹数据中得到其出行的交通方式,也将有助于研究人员从中推测人们对交通工具拥有情况、收入水平和职业情况。本文围绕位置大数据进行了一些相关研究。首先,对出租车GPS轨迹数据进行分析,分析了可能产生数据误差的影响因素,并有针对性地对原始数据做预处理,包括对数据进行误差分析,数据处理依据和方法,之后对居民出行的起止点进行识别,并利用ArcGIS进行地图的可视化呈现。基于处理后的GPS数据,分析了居民出行的时空分布特征,包括工作日和休息日的出行量,日出行的高峰时段,并得到了相关的结论。将聚类分析方法应用到出租车GPS数据的应用研究中,选取合理的聚类方法对研究区域进行交通小区的划分,并建立出行OD矩阵。其次,采用基于时间空间聚类的K-Means方法,得到乘客上下车的活跃中心点,并结合ArcGIS空间分析工具,构建缓冲区找到乘客最容易搭乘出租车的路段,解决了活跃中心点偏离道路的问题。此外,利用密度聚类的方法,对城市居民出行热点区域的分布规律进行了研究,并与实际情况相结合,证明了本文方法的有效性。然后,为提高不同出行方式的识别率,提出了一种基于深度学习的出行方式识别模型,以微软亚洲研究院收集的用户GPS轨迹数据集为基础,利用时间特性提取不同出行方式对应的GPS轨迹段,分析了不同出行方式的特征,考虑了迭代次数对均方根误差和网络训练运行时间的影响,选择合适的迭代次数,以尽可能短的时间,使网络达到最优的训练效果。最后,将本文方法与BP神经网络以及SVM方法进行实验对比,结果表明,本文提出的基于深度学习的模型能对不同的出行方式进行有效识别,其识别准确率较传统方法有明显的提高,证明了该模型在出行方式识别问题上的可行性。