摘要
本发明涉及数据分析技术领域，特别涉及一种面向私人电动自行车稀疏轨迹的出行行为分析方法，S1，识别轨迹数据中的点簇，点簇包括潜在停留区域和确定停留区域，并依据点簇的时序关系提取私人电动自行车的出行行为；S2，使用时空随机森林方法建立起14个影响因素与私人电动自行车出行的非线性关系；S3，扩展经典SHAP方法，将Shapley值映射到时间轴和空间轴，探索驱动因素的时空变化效应。本发明可以直接通过电动自行车的实时位置推断人类的出行行为，减少了出行行为提取对于订单数据的依赖。本发明还建立了一种考虑空间相关性和异质性的非线性驱动机制建模方法，不仅实现了更高的拟合精度，还可以探索驱动因素的时空变化效应。
