近年来,随着移动互联网、GIS(地理信息系统)、物联网等技术在交通领域的推广应用与深度融合,大规模城市交通轨迹数据已经能够被有效采集、传输和存储。同时,在快速发展的云计算和大数据分析技术的推动下,对大规模城市交通轨迹数据进行高效的分析和研究,进而为交通参与者提供实时、有效的个性化出行服务已经成为智能交通领域的迫切需求之一。轨迹聚类分析是大规模城市交通轨迹数据分析的一个重要研究内容,通过对大规模城市交通轨迹数据进行聚类分析,可以在无监督条件下提取城市交通活动中的隐含语义信息,挖掘城市交通活动中的出行规律,发现出行热点或异常路径,为个性化交通出行服务提供有效的决策支持。基于此,本文面向大规模城市GPS轨迹数据进行聚类研究,具体研究工作如下:(1)提出了一种划时区分段的动态时间规整算法(SDTW+)。该算法通过调整轨迹整形状因素,有效的提高了轨迹相似性计算准确度。实验中结合层次聚类算法进行聚类,结果表明,基于本文算法的聚类效果相对于基于SDTW算法和DTW算法的聚类结果有着明显的改善。(2)提出了一种面向大规模GPS轨迹数据的并行化轨迹聚类方法。该方法通过网格法将数据分区,并提出网格边缘虚化方案确保边缘数据正确聚类;通过对基于SDTW+的DBSCAN聚类算法进行并行化设计与实现,满足了对大规模轨迹数据聚类的要求。实验结果分析表明,该算法的规模增长性、加速比和可扩展性三方面性能都较为良好。(3)提出了一种基于分段度量的LCS热点路径提取算法。该算法改进了公共子轨迹匹配方案,并加入热力值来提取热点路径。实验结果表明,利用该算法可以有效的基于轨迹聚类进行热点路径提取。