随着物流产业发展规模的不断扩大,城市道路中的物流配送车辆不断增多,车辆的配送行为呈现出越来越复杂的特征。基于轨迹数据对物流车辆的配送行为特征进行研究,可以真实地反映城市物流配送现状,同时帮助物流企业更好地监控车辆配送行为,高效配置各类物流资源,解决城市物流设施布局分散及功能不明确等问题,提高物流配送效率。本文基于物流配送车辆的轨迹数据,利用描述性统计方法、核密度分析、空间自相关分析及聚类算法等方法,从配送时空特征、配送空间模式及配送区域特征三个角度对车辆的配送行为特征进行挖掘。主要研究工作如下:（1）从物流配送车辆的角度,对车辆的配送时空特征进行挖掘。借助箱形图及互补累积分布函数图并结合无标度特性,从配送时间、配送距离以及配送范围三个角度初步分析了配送车辆的时空统计规律。使用折线图及核密度分析的方法并结合配送车辆的通行有效时段,分析了物流配送车辆的时空分布特征。结果表明,10:00-12:00以及14:00-16:00为配送出行的高峰时段,配送车辆集中分布在京通快速路及朝阳区物流集散中心附近,配送车辆装货、卸货以及进出京的比例较大。（2）从城市出行区的角度,对车辆的配送空间模式进行挖掘。使用泰森多边形对城市道路网络进行划分,从而获得61126个城市出行区。基于车辆在不同出行区中的配送距离,使用SA、HLC及LISA三种探索性空间数据分析方法并结合Moran’s I指数、Getis and Ord G指数、p值及z得分等指标,得出了车辆的配送空间模式。结果表明,配送行为在城市出行区中大致呈现出五环外围高高集聚、中心城区及五环外围局部出行区低低集聚的空间模式。（3）从物流配送区域的角度,对各区域中的配送行为特征进行挖掘。基于各出行区中车辆配送距离的时间序列,分别使用欧氏距离、DTW距离以及基于衰减系数改进后的DTW距离这三种度量方法计算时间序列之间的距离,得到对应的时间序列相似度矩阵。当两时间序列之间的变化方向相反时,基于以上距离的时间序列相似度矩阵不能有效地反应二者间的真实相似度。为此,使用基于自适应调整函数改进的CORT方法对上述矩阵进行修正。基于修正后的矩阵使用TS-PAM聚类算法对城市出行区进行聚类分析,初步得到六类物流配送区域。根据不同配送区域的配送距离特征及POI分布特征,将配送区域进一步整合为四类配送区域,并对这四类配送区域的配送特征进行了总结。