随着记录移动对象多维运动状态的传感器技术的发展,产生了大量的运动行为轨迹数据。通过衡量这些轨迹数据的相似性,对研究不同移动对象之间的运动行为模式有重要意义。尽管已经出现了大量的轨迹相似性算法,但是他们普遍存在以下几个缺点:他们大多数都被限制在移动对象运动路径的静态几何曲线上,只有很少的工作将移动对象的轨迹运动参数考虑在内,在多维复杂的研究场景中,单靠空间相似性不足以判定移动对象之间是否存在相似的运动特征时,这些方法变得不再适用。然而在对移动对象的运动行为研究中,将移动对象运动特征的关键参数考虑其中是非常有必要的,如速度、加速度或方向等。在那些将轨迹运动参数运用到相似度计算的研究中,他们有的是直接使用运动参数的数值来抽象轨迹,还有的只用了运动参数的一些局部特征来将轨迹转换成字符标签序列,从而进行轨迹的相似性研究。即他们普遍没有考虑到运动参数变化过程中包含的复杂局部特征以及全局特性,并且他们都只对轨迹的运动参数特性进行了研究,这样将会丢失原始轨迹中包含的复杂时空特性。为了解决现有方法存在的一些问题,本文提出了一个融合轨迹运动参数特性以及轨迹时空几何特性的多源时空编辑距离算法MSTED。具体来说,MSTED分为轨迹分割以及相似度算法两个模块。在轨迹分割模块中,利用运动参数的特性将轨迹分割成包含复杂运动模式的均匀片段,然后根据运动参数的属性随时间的变化情况,划分了十八个代表不同运动模式的字符标签类别,并将原始轨迹转换成了字符标签序列。在相似度算法模块,本文对传统的编辑距离进行了扩展,具体做法是将轨迹运动参数中包含的运动模式特征以及轨迹的时空几何特性这两方面融合起来,从多源时空的角度去设计三种编辑操作的代价函数。最后,本文在两个公开的真实数据集上进行了大量的实验,实验结果表明了MSTED中各组件以及MSTED整体的有效性。