随着我国城镇化水平不断提高,人口逐渐向大城市和大都市圈集中,基础设施资源得到集约利用,使得工商业得以更高效地发展,创造了更多的就业与收入,提高了地区的经济水平。同时,城市的居住和生产用地不断扩大,导致了城市不断扩张,造成了一系列的问题。近年来,中心城区人口逐渐疏散,但大量工商业、服务业岗位仍然集中在中心城区,导致了城市居民通勤距离不断增长,加大了公众的通勤成本。《国民经济和社会发展第十三个五年规划纲要(草案)》提出要优化城镇化布局和形态,提高城市治理能力。针对通勤客流出行特征进行合理的交通规划,可以有效提高居民的公共交通使用率,降低通勤成本,减少城市交通拥堵,是提高城市治理水平的有效手段。手机数据是近年逐渐流行起来的交通信息获取方式之一,凭借其数量大、成本低、信息真实等特点被广泛应用于群体出行特征研究。本文探究了如何利用手机数据分析城市通勤客流出行特征,研究了分析过程中涉及的一系列方法。首先,研究针对手机数据特点,构建预处理算法去除了重复数据、乒乓数据、漂移数据等影响出行特征分析的噪声数据。在此基础上,详细研究了基于手机数据识别客流职住点的方法,该方法将手机数据转变为活动点序列,再通过手机用户在活动点出现的天数和逗留时间两个数值确定其职住点。这种方法改进了以往以用户基站话务量来识别职住点的方法,更符合通勤行为的时空间特征。其次,为得到合理的通勤特征分析尺度,提出了一种基于手机数据的交通区划分方法。该方法两次运用K-means++算法对基站小区做聚类分析,第一次以职住信息和流量信息为基础,为基站小区赋予了交通语义值以表征其土地利用性质,第二次以经纬度信息、交通语义值和高峰流量信息为基础,将所研究区域(南京市)划分成了120个交通分析区。通过分析特征交通区的流入、流出和净流入量的时间分布特征,证明了该方法可以有效保证交通区内土地利用特征、客流出行特征的一致性。再次,研究构建算法提取得到通勤客流的时空信息。在提取通勤空间特征的过程中,以职住点直线距离为基础,利用大圆距离修正系数计算得到客流通勤距离;利用期望线图描绘通勤OD源流的空间分布特征。在提取通勤时间特征的过程中,改进了现有研究中以连续通话序列最小时间差作为通勤时长的方法,以逗留时间阈值和速度阈值动态提取了用户的通勤时间集合,计算平均值获得用户的通勤时长和通勤开始、结束时间。通过对南京市通勤客流时空间信息提取结果进行分析,发现南京市非中心区的通勤客流更倾向于短距离的就近通勤,中心区的通勤客流有高概率发生中远距离通勤行为;通勤呈现明显的“双峰”特征,相对晚通勤而言,早通勤的集中度更高。最后,研究对南京市通勤出行特征做了深层次的分析。利用无监督学习算法划分交通区,选取特征交通区综合分析了其分布特征和出行时间特征,发现区域用地分布位置与职住分离严重的交通区分布位置有相关性;在距离主城区较远且被地铁站点覆盖的城市副中心区域居住的客流有更高概率发生长距离通勤行为;区域的职住分离特征和通勤距离特征均不会对在该地居住的客流出行高峰时间产生影响。