城市出行轨迹挖掘对于理解个体出行行为、探究城市运行机理具有重要的意义。迈入大数据时代，随着移动设备、GPS终端等城市传感器的井喷式发展，更大时空范围内的城市活动轨迹得以精细化收集，为城市出行轨迹挖掘任务提供了全方位的数据支撑。然而，该任务存在着诸多挑战：首先，出行轨迹体量庞大，缺乏出行语义信息标注；其次，常规机理模型难以模拟复杂出行活动，而利用真实轨迹进行模拟会产生隐私泄露等问题；最后，以数据为支撑的场景模拟常存在宏、微观涌现结果冲突现象。平行交通系统能够有效应对这些挑战，它引入了与实际交通系统等价的人工交通系统，通过二者之间的虚实互动来实现对实际交通系统的管理与控制。本文面向平行交通系统，以手机信令、GPS轨迹为数据支撑，围绕出行语义感知、出行轨迹生成、场景辅助决策三个阶段循序渐进地开展对城市居民出行活动的挖掘。本文的研究内容与贡献如下：

1. 作为出行语义感知的研究内容之一，出行方式识别对于出行服务推荐等应用具有重要的意义。常规“分段-推理”的两阶段方法利用启发式规则识别出行方式切换点，不仅效率低而且分段准确性无法保证，同时，无标签轨迹中的可用信息难以被有效利用。本文对常规的两阶段方法进行改进，将出行方式识别任务重新建模为端到端的密集分类问题，并提出了基于相似熵正则化的半监督模型用于逐点标签推测。所提模型将带有快捷连接结构的编解码器网络作为骨干，以融合轨迹的底层物理特征与高层语义特征进行高精度识别。进一步地，本文设计了基于相似熵正则化的半监督模块以挖掘无标签轨迹中的隐含信息。在GeoLife轨迹数据集上的实验结果表明，所提模型的识别精度达到79.3%，并相较于基线模型在召回率指标上取得了5%左右的提升。

2. 作为出行语义感知的研究内容之二，推断居民的出行意图对于了解城市出行现状具有重要的意义。当前可用的数据中缺少相关语义标签，导致监督模型无法被有效利用。此外，出行相关的时空模式、地理信息等属性缺少统一的量纲，难以映射到同一特征空间中，导致出行模式提取困难。本文提出了一种协同经验过滤与主题模型的无监督出行意图推断方法，首先设计经验规则推测出行意图为工作和回家的行程，随后提出了一种连续变量感知的隐狄利赫雷分布模型，将用户的出行链视作文档、每次出行视为一个由异质属性组成的高维单词，以软聚类的方式识别用户剩余行程的出行意图。在北京市手机信令数据上的实验表明，所提模型相较于基线模型在困惑度指标中取得了7.7%的提升，且推断的结果与家庭出行调查的结果在宏观上具有高度的一致性。

3. 出行轨迹生成能够有效解决实际数据覆盖场景有限以及隐私泄露等问题。当前轨迹生成模型忽略了空间特性及访问位置时序性，导致生成结果与实际相差较大，此外，语义信息的缺失限制了生成结果的进一步应用。本文提出了一种语义信息指导的生成对抗网络，具体地，该网络将出行方式和出行意图两种语义项作为指导信号，利用基于掩码的多头注意力模块融合语义信息，以序列到序列的方式生成轨迹中的下一访问位置。为了令生成器学习到实际轨迹中隐含的空间模式，本文采用蒙特卡洛搜索将不完整的生成轨迹序列补全并转换为图像，随后用判别器来评估生成结果的真实性。在GPS轨迹数据上的实验表明，相比基线模型，所提模型将生成轨迹与真实轨迹在回旋半径和出行距离两种空间特性的差异分别降低了10%和27%，说明所提模型的生成结果更为真实。

4. 在平行交通系统的“实验与评估”运行模式下，本文以新冠肺炎疫情突发场景为切入点开展场景辅助决策研究。本文建模了病毒传播的个体动力学过程，并结合基于智能体的微观模型构建了人工社会交通系统。随后将出行轨迹加载到智能体中作为其交互依据，从微观视角揭示不同疫情防控措施下宏观群体的感染变化趋势。与现有研究工作不同，基于轨迹数据驱动的模拟无需个体间复杂拓扑网络等信息，通过判断出行轨迹的交汇即可确定智能体间的交互情况。此外，本文利用生成轨迹对不同人口密度、封控管理策略与疫情传播之间的关系进行了量化分析，充分展示了轨迹数据在场景决策中的价值。

综上所述，本文在平行交通系统的框架下开展城市出行轨迹挖掘的研究，提高了出行语义感知及出行轨迹生成等任务的准确性，在以数据驱动方式构建的人工交通系统中设计计算实验，从宏、微观层面探究了城市出行的传播动力学机制。研究成果有助于理解城市居民出行活动，充分发挥数据对智慧城市生产效率提高的乘数作用，对于理解城市行为、优化城市决策意义重大。