居民出行特征研究在城市建设规划与城市交通规划中有着十分重要的作用,并且早晚高峰时段居民出行的规律能一定程度的反映城市职住空间关系,故对居民出行特征进行挖掘有着重要的意义。由于居民出行方式具有多样性并且单一的调查数据存在工作量大、数据处理麻烦等缺点,故传统的调查方式获得的数据已经不能满足当代社会的需要。如今,随着全球定位系统(GPS)的广泛部署和地理信息技术(GIS)的飞速发展,形式各异的交通数据被储存起来,这使得利用智能大数据全面剖析居民出行特征成为可能。本文以出租车GPS轨迹数据和地铁数据为主、城市行政边界、道路网及POI等数据为辅,对城市居民出行时空特征进行挖掘,并结合“宜出行”数据研究城市职住关系。首先,对数据类型及结构进行分析,总结各数据之间的联系。其次,通过python3.7搭建Map Reduce框架对出租车GPS数据进行处理,其中包括数据清洗、坐标系转化与地图匹配、OD的提取与匹配等工作;使用统计方法对地铁客流数据进行清洗与OD的提取,并将客流量与地铁POI站点在地图上相匹配,为文章的研究提供数据基础。再次,利用处理好的数据挖掘居民出行时空特征,其中包括整体出行特征、高峰时段识别、高峰时段出行特征、出行OD热点分布、热点方向分异特征以及出行移动模式特征,并对其进行决策层融合分析。其中,为了更好的挖掘居民出行热点,论文还提出了基于核密度分析的热点探测模型,并利用自然断裂法对热点等级分级。此外,在ARCGIS中建立的标准差椭圆模型探测居民热点等级分布方向。最后,确定职住平衡研究尺度,并以出租车与地铁通勤客流作为变量指标,基于高斯混合模型(GMM)对研究站点进行职住地功能识别,探讨城市职住空间分布;在此基础上,结合“宜出行”数据,建立广义自回归条件方差(GARCH)模型对轨道站点周边交通通勤与职住平衡关系进行研究。研究表明,核密度热点探测模型可以有效的探测居民出行的热点,弥补了传统聚类方法确定模型参数困难的缺点;相对于单一数据,多源数据能更全面的挖掘城市居民出行时空特征;西安市主城区职住地在空间上的分布主要以主城区偏西南的位置为中心,以“就业—混合—居住—混合”的形式向四周延伸;轨道站点周边职住平衡度与出进轨道站点客流均衡度、累计出站客流量、轨道站点是否为换乘站、是否为典型办公型、站点区位、周边是否有大型公共设施呈正相关,与累计进站客流量、站点是否为典型居住型、轨道是否为始发站呈负相关。