传统的交通出行调查由于数据量有限、精准度不高、样本代表性不足等局限性,难以较为准确地揭示城市交通出行的特征。近年来,随着时空大数据处理方法和技术的大发展,为进一步精细化地分析和刻画城市交通出行特征提供了理论支撑。本文基于巡游车和网约车的大规模时空数据,从城市交通出行空间分布以及出行特征的整体性、集聚性和结构性等方面进行深入探究,以期为城市交通理论研究和实践管理领域,提供可借鉴和参考的以大规模时空数据为研究对象的交通出行需求分析方法。本文具体研究内容包含如下四个方面:（1）城市交通出行需求的整体性研究。选择厦门市范围内巡游车和网约车的GPS轨迹数据与兴趣点数据作为基础数据,以巡游车和网约车数据的时空分布特征差异性为依据阐述了两者融合的必要性和可行性;对轨迹数据和兴趣点数据进行了信息提取和集计、数据清洗、重分类、地图匹配等数据预处理,生成了480余万条出行记录数据和14万余条兴趣点记录数据;进一步地,运用了核密度分析、皮尔森系数等方法,从时空角度分析得出了出行需求的整体性分布特征和影响交通出行的重要兴趣点。为下文交通出行特征刻画及土地利用性质影响分析奠定了数据基础和整体性研究视角。（2）基于社区发现算法的交通出行空间分布分析。本文提出了一种基于图分割的划分交通出行空间框架,该框架建立了边长500米的栅格模型,构建了以出行量为边值的网络拓扑图,采用基于模块度的Fast Unfolding社区发现算法进行了图分割;针对出行距离的差异,探究了不同出行距离影响下交通出行空间分布的演化过程,揭示了交通出行空间分布具有多层次特征,得到了18个一级子区和5个二级子区;对比分析了交通出行空间划分结果与行政区划的匹配程度,结果表明交通出行弱化了行政区划边界的影响。（3）基于复杂网络理论的城市交通出行需求集聚性分析。依据前文研究提出的空间分析单元,应用空间相关分析的局部莫兰指数方法,以出行起讫点数量为指标对子区域内的热点区域进行判断和识别;针对既有研究中仅识别出交通热点区域,而缺乏对热点区域集聚中心特征进行细化和深化研究的不足,运用复杂网络的Indicators of Centrality理论,提出并定义了热点区域到其他非热点地区的OD量、任意两非热点地区间路径经由该热点中心OD与直达OD的比例等核心指标,定量刻画了出行热点的集聚中心特征;进一步结合热点区域的土地利用性质,分析了商圈、交通枢纽、住宅区和办公楼等不同用地对出行热点集聚中心特征的相互作用和影响,并进一步指出了厦门岛内子区域之间空间联系程度较强,厦门岛外的热点区域对子区域内出行量影响更大的特点。（4）基于非负矩阵分解算法的城市交通出行需求结构性分析。考虑到子区域间出行需求的高维度复杂性和时空异质性,采用了非负矩阵分解算法对时空OD矩阵进行降维,揭示了交通出行的结构性特征;据此,得到了子区域间三种主要出行需求类型:早高峰出行需求,晚高峰出行需求和凌晨高峰出行需求;与往年数据集进行对比得到了两者的余弦相似度指标达95.06%,验证了出行需求结构的稳定性;进一步地,建立了优化模型对其土地利用性质进行评价,三种出行类型的主导用地类型分别是商业服务业设施用地、公共管理与公共设施服务用地和居住用地。图55幅,表11个,公式24个,参考文献103篇。