城市热点区域往往承担着交通、商业、教育等重要的城市功能,对其进行分析和提取具有理论意义和现实价值。城市热点具有时空特性,其分布和强度随着时间而不断变化,对热点区域进行动态和实时的探测有助于政府部门实时监控城市的交通和人群状况、避免踩踏等极端事件发生,也有助于市民合理规划出行方案。实现热点的动态探测不仅要求数据源保持持续更新,也要求分析算法具备增量学习的能力。时空数据流是一种由空间定位设备产生并上传的持续更新的数据源,可以为热点动态探测提供数据支持;针对数据流的聚类算法则通过对传统聚类算法的增量式改造,实现了算法模型和聚类结果的动态调整。因此利用时空数据流聚类方法来对热点进行动态和实时探测是合理的,但在实际的使用中,还需要考虑热点探测的有效性、高效性以及工程实践等关键问题。本文将数据场理论引入经典的数据流聚类当中,提出了一种新的数据流聚类算法——DF-Stream算法,并以武汉市的出租车时空数据流作为数据源进行实验,通过比较不同日期、不同时段的热点探测结果来验证算法的有效性;为了提升算法的整体性能,本文利用分布式和多线程等技术研究了DF-Stream的高性能求解方法,实现了算法的多粒度并行化;最后,本文利用分布式中间件和WEB前后端框架对算法进行了工程化实践,并选用城市交通热点和居民出行热点作为主要应用场景进行了WEB空间可视化。本文的主要研究工作如下:（1）基于数据场的时空数据流聚类算法研究数据场方法能够发现并衡量空间对象之间的相关性强弱,将它与聚类算法结合能够有效探测城市热点,但传统的聚类方法无法实现增量更新,仅能对历史数据进行分析。本文将数据场理论引入经典的数据流聚类算法D-Stream算法中,提出了DF-Stream算法,用数据场势值代替密度值,并加入了批处理机制来提升性能。在实验部分,本文利用文件数据模拟了出租车实时数据流,分别提取了节假日和工作日不同时段的热点,分析其分布和演变模式,并分析了结果的客观性和可解释性,对比了与D-Stream算法的效果差异,验证DF-Stream算法的有效性。（2）DF-Stream的多粒度并行化方法研究本文通过分布式和多线程等技术来研究DF-Stream算法的高效求解方法,设计了一种粗-细并行粒度共存的并行化方法。其中,粗粒度并行化主要通过分布式实现,研究了基于主-从分布式模式的任务分发及调度方法;细粒度并行化主要通过多线程实现,即在每个从节点内部利用多线程资源实现并行数据场计算。该方法能够充分利用集群内的硬件资源,本文通过实验的形式对加速效果进行了计算。（3）城市热点动态探测WEB系统的设计及实现本文对热点动态探测场景的工程化实现方法进行研究,以DF-Stream算法为核心,以出租车数据流作为数据源,配合前后端框架等技术设计并开发了城市热点动态探测WEB系统。对轨迹数据流的快速处理方法进行了研究,对系统的架构进行了设计,并对前后端框架、空间可视化方法、空间数据库等关键技术进行了选型,最后,以城市交通热点和居民出行热点作为主要的应用场景进行了动态可视化。