聚类分析是数据挖掘中的一个重要分支,并已广泛应用在工程领域、经济学、地理科学、生命科学与医学、社会科学等领域。轨迹聚类分析是聚类技术在轨迹数据分析中的应用,并从海量轨迹数据中,可以发现并提取轨迹中蕴含的重要信息与知识,从而为进一步分析(行为/模式分析、事件预测、决策支持等)轨迹数据打下坚实基础。由于轨迹数据的时空序列性、异频采样性、数据质量差等特点,传统聚类方法在轨迹数据上的处理效果并不令人满意,仍存在着时空分离聚类、复杂或者某些特殊轨迹的运动特征考虑不足、大簇被噪声数据分割成多个小簇、相同地理位置被重复聚类带来不必要的时空开销等不足。本文利用邻域内移动能力、数据域理论以及增量式聚类的有关思想,对轨迹数据的密度聚类分析方法进行了深入研究。主要研究成果如下:(1)给出了一种基于密度函数NMAST(Neighborhood Move Ability and Stay Time)的轨迹聚类算法。该算法首先依据轨迹段的移动特性、数据点的停留时间、数据点的分布特点,定义了密度函数NMAST;其次通过噪声容忍值,减少噪声数据的影响;最后实验验证了该算法能够更加真实地反应轨迹数据点的时空分布密度;当面对复杂轨迹的处理时,该算法的聚类精度并没有随着轨迹复杂度的增加而发生大幅波动,与同类型算法相比更加稳定,且聚类精度高。(2)给出了一种基于密度函数NMAST的轨迹数据增量式聚类算法。该算法首先针对原始轨迹数据集,利用上述轨迹聚类算法,生成初始中心点集CP和停留(簇);其次利用CP在新增轨迹数据集中,寻找已有的停留,删除已经划分到簇的轨迹数据对象,并生成轨迹数据子集;然后运用上述轨迹聚类算法,对轨迹数据子集进行聚类,并更新中心点集CP;最后实验结果表明该增量式聚类算法能够有效利用轨迹间的时空关联性,解决了聚类重复的地理位置带来的时空浪费问题,提升轨迹聚类的时间效率。(3)设计并实现了基于密度函数NMAST的轨迹聚类原型系统。该原型系统主要包括:数据预处理、轨迹可视化、密度曲线生成、停止点提取、结果保存等功能模块。系统运行结果表明该系统为轨迹可视化以及轨迹聚类分析,提供了一种有效途径。