随着位置获取技术、移动计算和传感器网络的不断发展,越来越多的移动对象轨迹数据被人们所获得。利用这些轨迹数据,各种基于位置的服务应运而生,为人们的生活和出行提供了巨大的便利。然而面对巨大的数据规模,如何有效地化简和压缩这些海量的轨迹数据成为了当前重要的研究课题。本文分别对轨迹数据压缩和轨迹数据集化简这两类化简方法进行研究,其主要工作如下:(1)本文对现有的轨迹预处理技术进行介绍,包括轨迹噪点过滤、路网匹配和轨迹划分等。重点对比了当前轨迹数据集化简技术,并分析了当前技术存在的问题,为本文接下来的工作打下基础。(2)针对轨迹数据压缩问题,本文提出了一种基于预测模型的轨迹数据压缩算法。我们将轨迹数据时间信息和空间信息分别进行压缩。在空间方面,我们通过历史数据获得轨迹的部分匹配预测模型,以此来预测轨迹下一个可能的位置。在时间方面,我们通过历史数据计算轨迹通行的速度模型,以此来预测移动对象进入下一路段的时间,并保证预测轨迹的时间误差小于给定阈值,以此提高压缩效率。实验表明本文提出的算法相对于其它的轨迹压缩算法有较好的压缩性能。(3)针对轨迹数据集化简问题,本文提出了基于特征的子轨迹数据集化简方法。为了达到更好的化简效果,我们提出了基于代表性的轨迹划分算法,通过将轨迹特征变化剧烈的路段作为分割点,将整条轨迹划分成若干子轨迹。随后,我们通过子轨迹采样算法来得到特征误差最小的子轨迹组合,并通过轨迹数据的特征构造了一个局部启发式算法来加速算法收敛过程。最后,我们利用真实的轨迹数据集对我们提出的化简方法进行验证,实验证明该算法具有较好的性能,并具有较好的实用价值。综上,本文对轨迹数据集化简技术进行了研究,在降低数据规模的同时减少了化简过程中的信息损失,对相关研究工作具有一定的参考价值。