轨迹数据的频繁模式挖掘旨在从大量的轨迹数据中挖掘出用户频繁访问的具有一定顺序的区域集合,是一系列基于位置服务的应用基础。语义轨迹具有体积小、质量高、更能反映用户行为的特点,因而受到了广泛的关注。许多研究人员对语义轨迹的频繁模式挖掘开展了大量研究并取得良好的进展,但基于轨迹的语义频繁模式挖掘研究中仍然存在轨迹语义标注不够准确、挖掘的模式不全面等问题。本文针对轨迹语义频繁模式挖掘目前存在的不足开展了相关研究工作。主要研究内容包括:1.针对采样不规则轨迹的停留点检测准确性不高的问题,提出了一种基于时间序列聚类的停留点检测算法。首先基于数据场理论设计了一种结合时空特性的混合特征密度测量方法,然后根据停留点中心密度比入口大的特性,采用过滤-精炼策略提取停留点。在过滤阶段将时间连续且满足最小密度阈值的点作为候选停留点。在精炼阶段,通过最大阈值筛选出实际停留点。实验结果表明,该方法能够有效检测采样不规则轨迹中的停留点,相较于已有方法具有较高的准确性和较低的时间消耗。2.针对停留点语义标注存在位置模糊的问题,提出一种基于隐马尔可夫模型的地点匹配算法。该算法利用现实世界的位置存储库将每个停止事件与潜在的候选停止位置相关联。由于每个停止事件可能有多个位置候选,结合改进的词频-逆文档频率与隐马尔可夫模型将每个停止事件序列与其最有可能访问的真实世界位置序列匹配。另外,针对交通模式识别精度不高的问题,研究了基于集成学习的交通模式识别方法。实验结果表明所提出的算法和方法优于现有的改进算法。3.针对语义轨迹模式挖掘不全面的问题,提出改进的广义序列模式挖掘算法和前缀投影模式增长算法用于多维语义轨迹的频繁模式挖掘。这两种算法分别对基于GSP和基于Prefix Span的序列模式挖掘算法进行了改进,设计了转移时间间隔和多维语义信息结合的支持度计算方法,在构造模式时加入时间间隔。实验结果表明,这两种算法能够提取更多的频繁模式,取得更好的挖掘效果。