交通出行是人们参与城市社会经济活动不可或缺的一部分,对出行体验的改善是实现城市交通精细化管理、提升城市品质的重要环节,而实现合理、准确出行路径推荐则是改善出行体验的重要手段之一。然而,目前常见的出行服务推荐系统往往忽略了用户的出行习惯,仅根据路径最短、行驶时间最短等统一规则为用户提供出行路径推荐,从而无法实现合理性出行路径推荐。近年来,随着移动互联网、物联网、地理信息系统(Geographic Information System,GIS)、大数据等技术与城市智能交通系统的深度融合,大规模城市交通轨迹数据已经能够被高效采集、传输和存储。城市交通轨迹数据隐含着城市居民出行规律,反映了城市路网的动态交通状态。以大规模城市交通轨迹数据为基础,分析出行者的路径选择行为,建立有效的路径选择模型,利用群体智慧为出行者提供高效、合理的出行路径推荐已经成为智能交通领域的迫切需求。在成本-效益约束条件下,城市出租车群体相对于其他出行群体通常具有更优的路径选择行为,因此根据城市出租车群体的路径选择习惯为其他出行者提供路径推荐是解决上述需求的一种可行方案。本文以大规模城市出租车轨迹数据为研究对象,针对出行者选择路径时无法满足效用最大化模型的完全理性假设问题,将有限理性条件下的后悔最小化模型与效用模型相结合,提出了一种效用-后悔联合规则下的路径选择模型,实验结果显示该模型所计算的路径被选择概率比单纯效用模型或单纯后悔最小化模型更接近真实场景下的路径被选择概率。基于上述模型,进而提出一种基于时间差异性效用-后悔联合模型的路径推荐方法,该方法能够为用户推荐融合群体出行智慧更加符合居民出行习惯的出行路径。本文的具体研究工作如下:(1)利用大数据平台Spark对出租车轨迹数据进行数据清洗、地图匹配、轨迹分段、起止点(Origin-Destination,OD)提取以及连续载客轨迹片段的属性值计算,作为路径选择模型研究和路径推荐的数据基础。(2)提出一种基于效用-后悔联合规则下的路径选择模型(简称效用-后悔联合模型),该模型结合完全理性的效用模型与非完全理性的后悔模型,并根据历史轨迹数据选定多属性不同组合下的一组效用-后悔联合模型,进而确定其中的占比系数。实验结果表明,效用-后悔联合模型比效用模型、后悔模型的路径选择概率更贴近真实场景下的路径被选概率。(3)提出一种时间差异性效用-后悔联合规则下的路径推荐方法,根据工作日/休息日、高峰/非高峰组合的四类时间片段划分历史轨迹数据并修正不同时间片段下的效用-后悔模型占比系数,最终基于不同时段的历史轨迹数据与时间差异性效用-后悔联合模型向用户推荐路径。实验结果表明,该方法比目前导航软件的推荐路径更多样化并且融合群体出行智慧更符合居民出行习惯的路径选择结果。