随着经济的快速发展,城市交通拥堵成了我国亟待解决的问题,通过交通量过载预测可以有效解决该问题。人们出行时一般倾向于找到便捷的路径,以便顺利到达目的地。通常,人们对其生活的固定区域的交通情况较为熟悉,可以在初步预测交通量后规律性地选择交通良好的路径出行,避免拥堵。本文针对交通量过载问题展开研究,收集交通移动对象产生的轨迹数据,研究轨迹分析的方法,进行交通量过载预测。有助于人们了解城市交通情况,有效避免城市交通拥堵。首先,对海量的用户轨迹数据进行分析,提出一种动态分析移动对象轨迹模式、预测轨迹位置的方法(PRED)。使用改进的模式挖掘模型,提取轨迹频繁模式(简称T-模式),然后提出DPTConstruct_Update算法,设计快捷数据结构DPT(Dynamic Pattern Tree)。DPT蕴含时空信息,用来存储和查询移动物体的T-模式,并提出Prediction算法计算最佳匹配度,得到移动对象轨迹的预测位置。其次,提出一种基于HMM模型的轨迹聚类方法(HMM-Cluster)。提取时空轨迹的特征点,减少轨迹数据量,节约存储成本。为轨迹拟合HMM模型,提出Sim-HMM算法,计算得到轨迹相似度矩阵。提出HMM-Cluster算法,有效地聚合相似性轨迹,发现交通量过载情况。最后,本文使用真实轨迹数据集进行对比实验。实验结果表明:本文提出的PRED方法和HMM-Cluster方法具有良好的效果,可方便、有效地挖掘移动对象运动模式,预测交通量,在实际的生活中具有较大的应用意义。