随着信息采集技术的进步,大样本、多维度、细粒度的居民出行GNSS(GlobalNavigationSatelliteSystem)轨迹数据越来越容易被获取,但由于缺乏有效的多维数据分析挖掘手段,难以实现对海量居民出行信息的有效挖掘和运用。通过居民出行轨迹数据识别交通热点,挖掘城市居民活动规律和居民出行模式特征,是优化城市内部空间结构的重要途径,轨迹数据挖掘也因此成为GIS(GeographicInformationScience)等相关学科的新兴研究热点。本文以海口市中心城区为研究区域,结合居民出行轨迹数据等多源数据。从居民出行热点和出行模式两个视角出发:一方面分析居民出行时空特征,识别出行热点并分析热点区域间时空交互规律;另一方面分析不同维度下的居民出行模式特征和出行区域的功能特征变化情况。本文的主要研究内容与研究结论如下:(1)居民出行时空特征分析及出行热点识别。首先提取居民出行OD(Origin/Destination)数据探讨居民出行时空特征,发现在工作日和休息日分别出现5个和4个出行高峰时间段且工作日出行量高于休息日,对9个出行高峰时间段的OD数据进行平面核密度分析,发现居民出行活跃程度由四周向中心递增,且居民出行存在多中心现象。然后基于平面核密度估计法建立出行热点识别模型,识别出行热点,挖掘热点分布规律并分析热点热度值变化趋势,结果表明:该模型识别精度较高,人流密集区域存在部分持续型热点,且持续型热点的热度值长时间保持较高水平,体现居民出行活动的集聚性特征。(2)居民出行热点区域空间交互分析。结合复杂网络理论,构建居民出行热点区域空间交互网络,分析热点区域间的空间交互特征。通过实验发现:热点区域间交互强度存在距离衰减现象,只有热门商圈、大型交通枢纽等少数热点区域间存在较强的空间交互,大多数热点区域的空间交互作用较弱,热区区域交互网络还具有小世界特性和无标度特征。(3)居民出行时空模式与时空关联性分析。基于张量分解原理,构建三阶居民出行起/终点张量,挖掘不同维度的居民出行模式规律。结果表明:日期维度共有两种模式,即工作日与休息日模式;时段维度共有四种模式,即早高峰、日间、晚高峰及夜间模式;在空间维度方面,得到6种出行模式将研究区域分为不同组团。(4)居民出行区域功能特征分析。根据张量分解结果分析居民出行模式的时空交互特征,推测出行区域功能特征,最终结合研究区域POI(PointofInterest)数据合理确定出行区域的功能性质,结果表明:在不同时间段的出行区域对应了居住、商业、交通运输、休闲娱乐等多种功能特征,且出行区域的功能特征会随时间动态变化,分析结果与现实认知基本一致。