近年来,随着无线通信、移动定位、互联网、云计算等技术的快速发展,人们能够源源不断地获得海量的轨迹数据。轨迹数据具有明显的时空特征和流式特征,通过分析和挖掘,能够一定程度上反映出移动对象的运动模式。时空轨迹聚集模式是时空轨迹模式中的一个重要研究内容,主要用于发现异常或典型性的群体事件,被广泛应用于人类行为模式、交通物流、动物习性、市场营销等领域。目前,时空轨迹聚集模式挖掘算法研究取得了一系列成果,但针对流式数据处理的算法效率还有待提升。本文研究轨迹数据流中的聚集模式挖掘算法,在聚类和群组检测阶段取得的主要研究成果如下:1.提出了一种面向聚集模式挖掘的网格聚类算法MR-GDBSCAN(Grid-based MR-DBSCAN),在Spark分布式环境中加以实现。该算法将海量的移动对象点映射到网格中,通过网格索引移动对象,将网格作为聚类对象,减少了需要进行聚类的数量,降低了计算量,并利用二叉空间分割技术将网格数据分发到各个计算节点中去并行聚类,以此来达到提高聚类效率的目的。2.提出了一种基于滑动时间窗口的增量式群组检测算法,结合Spark Streaming的滑动时间窗口模型,在时间窗口中对移动对象进行聚类,在滑动时间窗口内进行群组的检测,随着新时间窗口的到来,在新的滑动时间窗口中进行增量式的群组的检测。通过理论分析和实验验证,结果表明,本文提出的基于轨迹数据流的聚集模式挖掘方法有着良好的效率和可伸缩性,挖掘结果有着良好的时效性。