近年来随着手机导航软件和GPS(全球卫星定位系统)设备的广泛使用,GPS数据成为分析居民出行行为的新途径。通过对GPS数据进行挖掘,提取出行信息用于出行目的地预测是出行行为分析研究中的一个比较复杂的过程。进行出行目的地预测,准确地分析居民出行空间分布特征,据此对城市交通系统进行合理的规划和布局,是改善交通问题的有效方法,同时对于保障城市交通的可持续发展具有深远意义。本文根据对GPS数据的处理分析,提出了基于马尔科夫模型的出行目的地预测模型体系。首先,对GPS出行数据进行调查处理,将GPS设备调查得到的GPS轨迹点转化为连续的出行段,确定出行目的地。并划分工作日和非工作日的不同出行,设定合理的参数从中提取并确定频繁到访目的地和支持点信息,获得建模数据。其次,分别基于马尔科夫链模型和隐马尔科夫模型进行出行前和出行中的目的地预测。在出行前和出行中,对工作日和非工作日的建模数据分别进行目的地预测模型建立和标定,利用居民出行GPS数据进行实例分析。结果表明,应用已建的出行前和出行中的目的地预测模型均能够获得较高的预测精度。相比较而言,出行中的目的地预测因为有支持点加入,预测效果更好。且由于工作日和非工作日的划分,与以往研究相比预测精度更加稳定。因此本文提出的出行目的地预测方法可用于居民出行目的地预测,既可以在出行前进行出行目的地的预判,又可以在出行中进行实时的目的地修正。本文提出的出行目的地预测的马尔科夫模型无需进行传统的入户式居民出行调查,无需道路地图,减少了数据调查的复杂性,简化了数据处理的过程。研究成果可应用于车载导航设备或手机导航软件中,通过采集出行者的GPS数据,在出行前或出行中进行实时的出行目的地预测,以节省出行者输入目的地的操作步骤,提高导航运算速度和行车安全性。并可以向出行者推荐出行路线及出行目的地附近的加油站、商场等设施,满足出行需求。同时,出行目的地预测结果还可以在交通规划和管理方面广泛应用,比如居民出行空间分布特征分析、出行分布预测、拥挤位置预测分析等。再者,研究居民出行目的地选择的非集计行为模型对于促进交通需求预测从传统的集计四阶段模型向非集计行为模型的转变具有一定意义。