随着交通需求的快速变化,有大量被动交通数据产生;相比传统的居民出行调查数据被动数据具有大量、连续、准确等特点,利用被动数据补充和完善传统的交通调查为大数据环境下的必然选择。然而被动数据的缺陷则是不包含出行目的属性,因此采用合理的方法推测出行目的,完善被动数据下的交通出行信息是大数据环境下的交通调查和出行分析的关键问题。本研究以传统的居民调查数据为基础数据源,采用机器学习方法中的决策树,支持向量机,神经网络,贝叶斯网络和随机森林这几种方法,分析在不同的输入变量条件下模型的有效性,得出在基于被动数据可获取的变量的约束条件下的模型具有有效性,其中决策树,随机森林,支持向量机为较优的三类模型。在此基础上,应用成都一日的公交IC卡数据进行目的预测,并对比居民出行调查结果进行模型验证从而证明了方法的可行性。