随着移动设备的普及,基于位置服务(Location-based service,LBS)的应用越来越普遍,如地图导航、滴滴打车等定位软件,在人们生活中应用普遍存在。大量的轨迹数据能够帮助人们实时了解交通状况,规划出行,以及人群行为特征分析。轨迹数据量的极速增长,给移动设备的存储和网络传输带来巨大的压力。轨迹数据压缩技术,是解决轨迹数据膨胀的一种有效手段。现有的方法通过阈值的方式提取特征点,无法有效降低轨迹的压缩误差。本文提出基于极大值点的轨迹压缩方式获取每段轨迹中的特征点,使得每个特征点都是轨迹段中信息量最大的轨迹点,极大地降低了压缩轨迹的误差。轨迹数据中含有轨迹的空间位置、时间、速度等信息,在分段轨迹聚类中,通过选取原始轨迹中的关键点,将原始轨迹分割成子轨迹段利用聚类算法实现轨迹聚类。轨迹分段聚类中关键点的选择成为轨迹聚类的关键,本文利用轨迹点的角度变化量获取原始轨迹中的关键点,将原始轨迹分割成子轨迹段,利用聚类算法实现轨迹集的聚类分析,有效提高轨迹的聚类效果。本文主要贡献如下:轨迹压缩研究:针对传统的轨迹压缩方法都是通过设置阈值的方式获取特征点,但得到的特征点并不是轨迹中信息量最大的轨迹点,因此压缩后的轨迹数据集与原始轨迹存在较大的误差。本文提出了基于“极大值点”的在线轨迹压缩(Maximum point,MP)方法。每段轨迹中都有一个信息量最大的轨迹点作为特征点表示该段轨迹,通过寻找极大值点的方式,使得获取的特征点的信息量达到最大,从而使压缩后的轨迹与原始轨迹的误差最小。轨迹聚类研究:通过获取原始轨迹的关键点不仅可以应用于轨迹压缩,同时也应用于轨迹的分段聚类。轨迹中的轨迹点含有空间信息、时间信息、速度信息及角度信息。本文根据轨迹点的角度变化情况,提出一种基于角度变化量的轨迹段聚类算法。通过比较当前轨迹点角度值与前一个轨迹点角度值的差值与阈值相比较,判断当前轨迹点是否是关键点,实现轨迹分段的目的。然后利用基于密度的DBSCAN聚类算法对轨迹段进行聚类,提高了轨迹的聚类效果