通勤出行是决定一个城市正常运行的重要组成部分,而通勤时段交通拥堵明显,构建出行选择行为模型分析通勤出行方式选择的决策机理是缓解交通拥堵,进行交通需求管理的基础工作。数据质量是影响模型预测精度的关键因素,传统出行方式选择行为模型构建的数据来源多为问卷调查,问卷调查数据可采集丰富的交通信息,但主观性强、难以随机抽样;手机信令数据虽无法获取个人属性,但覆盖范围广,客观采集交通信息,可作为标杆数据,评估和提升模型预测精度。两类数据因隐私保护无法一一对应,本文以人群分类为桥梁,结合问卷调查数据和手机信令数据的优势,利用问卷调查数据构建不同人群的通勤出行方式选择模型;利用手机人群分类比例,对不同人群的模型预测结果加权处理,以手机信令数据的方式分担率为标杆数据,对比评估模型。首先,利用手机信令数据分析目标人群的通勤出行行为。基于规则算法提取轨道走廊范围居住的中长距离通勤人群;基于时空密度聚类算法,识别出行停留点,提取通勤出行时段;利用随机森林算法识别通勤出行方式。通勤出行特征分析结果为:出行时间均值为38分钟,每周出行频次平均为11次,出行高峰期为早7:00-10:00和傍晚17:00-21:00;出行方式比例为:小汽车53%、轨道30%,常规公交17%。其次,基于K-means聚类算法,不同方式出行频次为分类变量,余弦相似度为距离测度进行人群分类。手机持有和问卷调查人群分类结果为,1类人群小汽车出行占比较高,为小汽车偏好人群,2类人群常规公交出行占比较高,为常规公交偏好人群,3类人群轨道出行占比较高,为轨道偏好人群。对于手机持有居民,1、2、3类人群占比分别为55%、14%和31%;问卷调查居民的1、2、3类人群占比分别为19.3%、40.1%和40.6%。然后,利用巢式Logit模型构建基于个体异质性的通勤出行方式选择行为模型。对于3类人群分别构建出行方式选择行为模型,分析出行方式选择影响因素,模型结果表明:对于常规公交偏好和轨道偏好人群,出行费用、车外时间和车内时间均影响显著,费用参数绝对值较大,对于费用更为敏感;对于小汽车偏好人群,车外时间和车内时间影响显著,出行费用影响不显著,该类人群对于时间更为敏感。最后,对比评估验证模型结果。利用手机人群分类比例,对不同人群的模型预测结果加权处理,以手机信令数据处理得到的出行方式分担率为标杆数据,定量对比ML模型、原始人群分类后的NL模型和融合手机信令数据的NL模型,结果显示,融合手机信令数据的NL模型预测误差绝对值为:常规公交2.85%、轨道1.25%和小汽车4.10%,小于其余两种模型。证明融合手机信令数据的NL模型预测精度更高。