随着定位技术的广泛使用,轨迹数据呈现爆炸式增长,并产生了以轨迹流形式收集的海量时空数据,如何从轨迹流中挖掘有用的信息是当前对时空数据研究的主要问题之一。从轨迹流中挖掘伴随模式是指在同一时间发现具有高度相似行为的群体,对于交通管理、推荐系统的实时应用至关重要。然而,现有的研究成果在实时数据响应方面存在效率不高的问题,难以满足现实应用的需求。本文针对轨迹流的伴随模式挖掘展开了深入的研究,主要研究成果如下:（1）在数据分区阶段提出了基于分布式部署方案的二阶段分区策略TSPartition（Two-Stage Partitioning）,为分布式环境下轨迹流的伴随模式挖掘框架提供了更高效率的数据划分,保证节点间的分区平衡。TSPartition处理当前快照下的所有轨迹数据的分区问题,首先使用历史哈希,将轨迹数据分发到多个节点排序处理并生成新的哈希值,其次利用新的哈希值将数据均匀分区,将由单节点处理的排序操作交由多节点处理;与现有的普遍采用单节点扫描的数据分区策略相比,TSPartition具有更高的数据分区效率。通过实验表明,TSPartition提高了轨迹流数据分区的效率且保证了分布式聚类的负载均衡。（2）在分布式聚类阶段提出了融合瞬时移动方向的密度聚类算法ADBSCAN（Angle-DBSCAN）和聚类合并算法CM（Cluster Merging）,为分布式轨迹流伴随模式挖掘框架提供了高质量的聚类结果,提高了分布式轨迹流挖掘框架对伴随模式的发现能力。ADBSCAN算法处理当前快照下所有轨迹数据的聚类问题,在同时考虑对象间的瞬时移动方向的前提下对当前快照下的所有轨迹点进行密度聚类,与现有的轨迹流伴随模式挖掘框架中普遍采用欧式距离的密度聚类算法相比,ADBSCAN算法为轨迹流的伴随模式提供更高质量的簇。CM算法以ADBSCAN算法的输出作为输入,通过遍历所有簇取并集的方式,解决了由于分布式聚类导致的边界簇被分割的问题,弥补了由于分布式聚类导致的聚类结果偏差。通过实验表明,ADBSCAN和CM的结合提高了轨迹流伴随的发现能力。（3）最后提出了分布式并行伴随模式匹配算法PCPM（Parallel Companion Pattern Matching）,并设计了分布式轨迹流伴随模式挖掘框架DCPFS（Distributed Companion Patterns Mining Framework for Streaming Trajectories）。结合分布式流计算引擎Flink,通过分布式并行方案提高伴随模式发现效率。PCPM算法将聚类的簇分发,并将候选伴随广播到多个节点,各节点间并行执行匹配操作,与现有的采用单节点进行模式匹配的算法相比,PCPM算法减少了模式匹配阶段的时间消耗。DCPFS框架基于TSPartition、ADBSCAN、CM和PCPM四个算法,充分利用了Flink在流处理方面的优势,在轨迹流的伴随模式挖掘方面表现出比现有的框架更好的性能。通过实验表明,与单节点轨迹流伴随模式挖掘框架相比,DCPFS框架将轨迹流伴随模式挖掘时间消耗降低了60%～70%,与现有的分布式框架相比,时间消耗降低了20%～30%。