分析了公交智能卡数据挖掘中转乘行为、通勤出行、非通勤出行识别的改进方法,将关注点从公交换乘过程信息转移到换乘链间隔期的持续时长和空间位移信息,以换乘链断裂时长和位移2个维度计算公交换乘链断裂点概率,制作工作日和非工作日断裂点时空变量联合概率分布矩阵,对比了这2种分布的差异;检验了断裂时长序列和断裂位移序列的稳定性,标识了2条曲线的突变点和拐点,用于推断转乘引起的转移距离和转乘时长的阈值参数;对工作日和非工作日差值时长序列曲线进行移动平均滤波处理,使得曲线的突变与极值之间的关联能够解释转乘、通勤出行和非通勤出行3种行为与通勤和非通勤出行之间的关联;采用北京市整个一周的地面公交和地铁系统样本数据对方法进行验证,并根据时间序列和位移序列曲线确定样本数据中常见公交换乘行为的阈值参数。分析结果表明:断裂点时空信息对样本数据中的换乘行为能提供更合理的识别分类参数;持卡人在站点间转移的容忍距离约为1.6km;断裂点转乘时长与非通勤出行的断裂时长临界点为22～48min;非通勤出行和通勤出行的时长临界点约为478min,非通勤出行断裂点最大概率时长为140min;通勤出行的断裂时长接近期望值为601且标准差为44的正态分布;基于新方法得出的参数改善了公交出行活动的识别率,转乘行为、通勤出行与非通勤出行的识别率分别提高了16.1%、4.2%、6.2%。可见,换乘链断裂点的时间信息和空间信息不但可作为公交换乘行为识别的依据,还可能带来更好的识别效果。