人群画像是对人们的日常行为规律等属性进行分析后形成的人群信息标签,能够为公共交通的调度优化和商业选址等提供数据支撑。但是目前人群画像的研究还存在两方面问题:一是通过使用海量公交数据研究人群画像,只能知道乘客常去的地点位置,无法解释其出行轨迹的特点;二是海量公交数据规模极大且包含许多人群聚集较少地区的信息,直接计算耗时大,而针对人群聚集较多的重点地区是研究的重点。为了解决上述问题,本文依托新加坡连续一周共计约3000万条公交数据和4万条兴趣点（POI）数据做了如下工作:1)识别城市功能区。本文根据新加坡的兴趣点（POI）数据,将该数据重新划分为15类功能性并进行核密度分析,了解每种功能性的分布情况。然后将新加坡的地理区域按照1km×1km的区域进行划分,并根据每个区域内POI的分布情况,按照一天内不同的时间段识别每个区域的功能性;2)轨迹文本化。本文首先基于PageRank算法对重点地区的人群进行筛选,通过该方法提取出行次数多且去重点地区次数频繁的乘客轨迹数据。接着将筛选后的乘客轨迹数据按照年龄段与一周内连续的工作日与休息日进行划分后,将每位乘客的轨迹数据串联起来,形成了完整的轨迹数据集。然后通过将划分后的各个轨迹数据与城市功能区相融合,使每位乘客的轨迹以文本化的形式展现。最后对每位乘客的文本化轨迹使用TF-IDF（Term Frequency–Inverse Document Frequency）算法,从而得到每位乘客常去区域的功能性数据,即出行轨迹特点;3)刻画人群画像。本文将每位乘客常去区域的功能性数据使用多种聚类算法进行分类,通过与真实数据对比,将效果最好的聚类算法作为刻画人群画像的方法。通过将成年人和老年人的人群画像轨迹使用Flow Map进行可视化展示和描述,结果符合真实世界中人群的行为特征。结果表明:通过基于PageRank算法对重点地区的人群进行筛选,一共筛选出了300万条乘客轨迹数据,极大的减少数据量和提高数据处理效率;将轨迹数据与城市功能区相融合,形成文本化的轨迹,能够得到易解释的乘客出行特点;通过使用基于余弦距离的K-means算法,能够较好的刻画人群画像,其准确率接近80%。