反向k近邻查询是空间数据库中一项重要的有关位置的查询技术,它检索哪些兴趣点以查询点q作为其kNN查询结果之一,自从被提出了以来,就一直备受国内外研究学者的关注,而现有高效的反向k近邻查询方法,大部分在欧式空间或者静态路网环境下实现,对于时间依赖路网中的反向k近邻查询研究相对较少。在时间依赖路网中反向k近邻查询算法中,已有的m TD-Eager算法对搜索路径上的每个节点都进行了一次范围查询,所以需要较长的处理时间。当兴趣点密度较大并且k值较小时,mTD-Eager算法完成较快。但是当兴趣点密度稀疏或者k值较大时,由于搜索范围变大,使得该算法的查询时间变长以及遍历节点数量增多,导致其查询效率较低。对此,本文提出了基于网格划分的反向k近邻查询算法mTD-SubG。首先,将整个路网划分为大小相同的网格,通过网格的边界节点向其它网格进行扩展,加快对路网中兴趣点的查找速度;然后,利用剪枝技术缩小路网的扩展范围;最后,对查找到的兴趣点利用已有时间依赖路网下的近邻查询算法,判定其是否为反向k近邻结果。但是在对路网进行网格划分时,如果网格范围过大或者过小,都会影响后期反向k近邻查询的效率。为此,本文对mTD-SubG算法进行了改进,提出了mTD-SubG-Imp算法,即对相邻的且不包含兴趣点的网格进行合并操作,减少不包含兴趣点的网格之间的扩展,从而减少了查询的响应时间和遍历节点的数量,提高了查询效率。本文利用真实地图数据和仿真数据集,对比和验证了本文提出的基于网格划分的mTD-SubG算法以及mTD-SubG-Imp算法与已有算法的性能,在查询的响应时间方面,mTD-SubG-Imp算法查询响应最快,比现有算法缩短了73%;在遍历节点的数量方面,mTD-SubG-Imp算法查询效率最高,比现有算法减少了48.4%。验证了本文所提算法的正确性与高效性。