随着车联网技术在车辆交通安全管理中的广泛应用,大量营运车辆的时空行为轨迹被纳入实时监控系统之中,通过即时分析这些行为轨迹的规律能够对交通状态进行评估,一旦发现异常情况可以及时采取措施,以保证企业运作效率、保护财产和人身安全、避免不必要的损失。而如何高效地处理实时轨迹流数据和挖掘时空轨迹异常信息是我们需要研究的问题。本文依托湖北省科技支撑计划项目《基于车联网的物流车辆协同监管关键技术及应用示范》(2014BAA146)和湖北省自然科学基金重点项目《基于车联网的车辆安全感知和协同监管技术》(2015CFA059)的课题,进行了分布式轨迹聚类和异常轨迹检测算法的研究,为有效地监管车辆提供支撑。本文的主要工作包括:(1)基于车辆的运动特征,设计了一种轨迹划分和相似性度量方法,并提出了一种分布式轨迹聚类算法为了发现时空轨迹的共同模式,需要对有共同运动规律的信息进行聚类处理,而轨迹的划分和相似性度量是聚类分析的基础。为了把握轨迹的局部特征信息,解决特征点提取算法中信息大量丢失的问题,考虑到车辆轨迹的各项特征(包括位置、速率、角度、油耗、轨迹形状等),提出了基于多运动特征的轨迹划分策略和基于轨迹结构的相似性度量方法。为了提高聚类算法的效率,结合CluStream模型的原理,基于已提出的轨迹划分策略和相似性度量方法,设计了适用于流式轨迹的分布式聚类算法。该算法通过先验知识、局部聚类、全局聚类、数据分发等模块的相互作用,提高了轨迹聚类的效率。(2)提出了一种异常轨迹检测算法并基于Storm平台进行实现和验证针对轨迹异常检测算法中频繁的距离以及邻域密度计算问题,利用轨迹聚类结果对数据集进行剪枝,提高算法效率的同时也增加了异常轨迹检测的实时性。基于Storm平台的轨迹异常检测框架能够有效应对海量流数据的压力,适合于工程应用。本文主要贡献在于结合特定的项目背景,对时空轨迹的高效异常检测进行了分析,并提出了相应的检测算法,能够为智能交通系统提供一定的理论及技术参考。