居民出行行为是城市规划建设以及城市交通综合管理的重要参考依据。近年来,随着移动定位技术和基于位置服务技术的不断发展,轨迹数据的获取越来越便捷。轨迹数据中蕴含着丰富的时空语义信息,对轨迹数据进行挖掘分析可以提取出轨迹数据中潜在的知识与模式。本文以郑州市为研究区,以出租车轨迹数据和兴趣点数据为主要数据源。基于轨迹预处理技术提取出轨迹中的有效数据。以此数据为基础,使用基于数据场和CFSFDP的聚类算法提取出城市内的热点区域,使用基于密度核心的轨迹聚类方法提取出城市内的热点路径,并结合由兴趣点数据划分的城市功能区分析居民的出行规律,为城市的交通管理和城市建设提供重要的参考依据。本文主要研究结果如下:(1)针对传统的热点区域聚类方法在面对大规模数据存在参数选择困难、类的数目难以确定等问题,改进了一种基于数据场和CFSFDP的聚类算法。算法引入高斯函数来计算数据点的势,同时结合势熵来选取影响因子,并通过“手肘”定律自动化选取聚类中心。本文算法选取人工测试数据和出租车O/D点(上、下车点)数据为实验数据,并与K-MEANS、DBSCAN、CFSFDP等经典聚类算法进行对比分析,验证算法的有效性。实验表明,本文算法可以很好地识别聚类簇和噪声点,并且可以自动化选取参数,避免了人工选择参数对结果带来的不确定性。(2)针对传统的轨迹聚类方法在面临海量的出租车轨迹数据存在效率低下、伸缩性差等问题,本文提出了基于密度核心的出租车轨迹聚类算法。算法首先改进了SP相似度距离,通过计算轨迹间的双向距离提高相似度算法的准确度,同时使其适用于长度不等的出租车轨迹数据。其次,算法通过设置聚类结点来存储类簇的细节信息,并利用聚类簇中的致密核心轨迹来聚合相似轨迹。算法选取了出租车轨迹数据与TRACLUS、OPTICS等聚类算法进行比较和分析。实验结果表明,本文算法具有较好的伸缩性,且具有较高的执行效率,能够很好地应用于出租车轨迹聚类。