随着移动互联网、车联网、智慧城市等新一代信息服务的不断发展,各行各业对轨迹数据的需求越来越高。轨迹数据包含丰富的时空信息,准确及时地发布轨迹数据能够为位置推荐、交通管理、城市规划等行业应用提供有力支持。但是,轨迹数据中包含用户的敏感信息,发布未经保护的轨迹数据可能会泄露用户隐私。在众多轨迹隐私保护算法中,差分隐私以其严格的数学定义和可量化的隐私保护水平成为了当前的研究热点。现有研究中,主要存在两类差分隐私轨迹数据发布方法:“局部加噪”和“全局加噪”。本文分析了上述两类方法的优势和存在的问题,并在此基础上提出了两种差分隐私轨迹数据发布方法:(1)“局部加噪”是指通过加噪保护轨迹数据的局部特征,比如用户的语义位置。“局部加噪”存在一定的主观性,也忽略了语义位置间相关性对隐私泄露的影响。对此,本文结合停留点这一重要的语义位置,提出了一种基于停留点的差分隐私轨迹数据发布方法。该方法首先利用TF-IDF衡量停留点对用户的重要程度,并将其作为指数机制的评分函数选择需要被保护的停留点;然后,根据每个停留点被选择的概率自适应地分配隐私预算;最后,利用极坐标下的二维拉普拉斯分布生成噪声序列,并根据轨迹位置间的最大距离和角度范围控制噪声大小。(2)“全局加噪”是指对轨迹中所有位置点进行加噪。现有研究中,加噪过程常将位置的经度和纬度视作两个独立的序列,引入了两次独立的噪声,导致发布的数据可用性不佳。对此,本文提出了一种基于扩展卡尔曼滤波的差分隐私轨迹数据发布方法。该方法首先采用了服从二维拉普拉斯分布的二维噪声序列替代传统的一维噪声序列;然后,利用豪斯多夫距离度量删除一个位置对整条轨迹的影响,并将其作为算法的全局敏感度;最后,利用设计好的扩展卡尔曼滤波算法对加噪后的轨迹进行后置优化处理。在两个真实轨迹数据集上的实验结果表明,本文提出的两种方法在相同隐私保护水平下,具有更好的数据可用性。