现阶段,城市出行模式挖掘及应用已经取得了一定进展,但是基于私家车数据的研究仍然存在局限性。已有的私家车研究主要抽取部分私家车的出行数据,尚没有城市范围、全量的私家车出行数据研究。全量的私家车数据不同于部分私家车数据,可以用于私家车出行模式的辨析、分析并比较不同出行模式的特征,为城市管理、上层规划提供有效决策支持;而现有基于部分私家车出行数据的出行模式研究还不够系统、全面、深入,相关研究方法还存在局限性。此外,私家车出行数据具有重要的应用价值,相关的研究存在方法或场景上的局限性,例如在通勤私家车拼车匹配、私家车流量预测等方面。私家车出行数据具有大规模性、时空性,如何结合实际应用选择、优化模型以达到应用目的都是值得研究的方向。为此,本文系统地开展了私家车数据的研究。针对私家车数据的现状感知,我们考虑以下方面:通勤私家车的出行是私家车出行的重要部分,也是城市道路早晚高峰拥堵的重要原因;与此同时,随着即时出行服务的发展,涌现了大批提供类似出租车服务的私家车。大部分的即时出行服务仍局限于一客一车,道路压力不降反增。因此,我们有必要对二者进行识别及分析。针对私家车出行数据的应用:考虑到私家车通勤者之间拼车出行能够有效降低城市道路路面私家车流量,进而缓解城市道路交通压力;与此同时,交通预测是城市管理不可或缺的部分,考虑不同流量的组成部分,包括不同车辆类型、不同出行目的,来预测交通流量是一个新的思路。本文的主要创新及贡献包括以下方面:1、针对私家车通勤者识别的问题,提出了一种基于规律行为的层次聚类方法。该方法根据私家车通勤者之间的多样性以及个体私家车通勤者的规律性,合理地设定了私家车通勤者的三个基于规律行为的约束条件。同时,针对规律行为的提取,设计了一种自底向上的层次聚类算法:该算法同时考虑了出发地/目的地一致、路径一致的情形;引入自适应变化的规律阈值,增强了本方法的鲁棒性。实验表明,相对于基于特征的聚类方法,本文的方法更加准确和全面地发现了私家车通勤者。2、针对疑似营运车识别的问题,设计了一种基于自学习方法的疑似营运车识别模型（STL-detector）。该模型的特征学习组件设计为三维卷积神经网络（Three Dimensional Convolutional Neural Networks,3-D-CNN）自编码器结构,使用大量未标记的辅助车辆轨迹数据训练,能够有效地学习车辆轨迹的高级特征表示;监督分类组件设计为随机森林分类器,使用少量的已标记数据进行训练,能够有效分类疑似营运车/非疑似营运车。实验表明,相对于未利用未标记数据的方法,识别效果显著提升。3、针对私家车通勤者拼车匹配的问题,研究了拼车匹配的强化学习方法。该方法将私家车通勤者拼车匹配问题形式化为马尔可夫决策过程;在此基础上,设计了一个针对私家车通勤者拼车匹配的强化学习过程,其中对初始化、动作设计和环境更新进行了特殊处理。其特点包括:利用Double深度Q网络（Double Deep Q Network,Double DQN）,只需要很少的参数就可以近似地表示值函数;自动分配司机角色;动作设计过程中融入了时空约束,确保匹配方案具备合理性。实验表明,相对于现有的组合优化解决方案,能够有效地处理私家车通勤者之间的拼车匹配。4、针对短期交通流量预测的问题,提出了一种组合预测方法（TSA-SL）。该方法首先将交通流分解为周期性部分和波动性部分,然后分别预测未来的周期性值和波动性值。在周期性部分,我们采用了傅立叶变换（FT）来建模周期性。在波动性部分,利用SVR、GBRT、LSTM对波动性进行建模。根据TSA-SL方法建立了FT-SVR、FT-GBRT和FT-LSTM三种组合预测模型。实验表明,相比于单独的预测方法,组合预测方法在短期整体交通流、私家车交通流、通勤交通流预测方面具有优越性。