随着时空数据获取设备的普及应用,产生了大量反映移动对象活动的位置数据,数据的海量性及分析的复杂性决定了该类数据为典型的大数据。位置数据中所蕴涵的规律可以有效地用于改进城市规划、智能交通系统以及城市安全管理等方面。移动对象的位置数据可以反映对象某一时刻到达或离开某一地点,如公共交通的刷卡记录、出租车的上下车记录及轨迹数据中的停留点等。同时,通过分析位置数据中的到达和离开数据,可以发现该区域移动对象的流动规律。通常人们用定性的方法描述一个区域的流动规律,如居民区的早出晚归、商业区的早来晚走等。然而,实际应用中存在这样一类需求,要求定量描述给定区域中移动对象流动规律,这种定量规律一方面可以对区域中移动对象进行数值预测,另一方面定量流动规律可以更精细地描述区域特征。基于以上实际需求,本文提出了空间区域中对象流动模式的构建问题,将区域的流动规律以时间序列进行定量表示,通过概括某一区域一段时间内到达和离开对象的数量序列得到模式。对象流动模式是空间区域的动态属性,不同的空间区域具有不同的流动模式,一个空间区域可以表现出多个模式。对象流动模式是对区域中对象流动规律的描述,区别于实时监控的移动数量统计。同时,与定性的移动规律描述相比,本文提出的流动模式是一种定量的表示,即空间区域范围更灵活、时间粒度更细。由于对象流动的随机性,使得去除异常序列构建高预测精度的模式成为本文的一个挑战,具体体现在流动模式构建模型的建立、模式训练方法及评价等方面。在流动模式构建方面,提出一种基于层次聚类的流动模式构建模型,模型中通过数据的离散化、序列化、模式训练等步骤实现模式构建;在模式训练方面,本文提出了去除局部异常序列、平衡簇内序列数的模式自动选取方法,提高了模式的预测精度。利用真实数据集对所提出的模式训练方法进行了充分的实验,验证了所构建的空间区域中的流动模式可以用于表达区域中对象的流动规律。对所提出的算法进行了充分的实验评价,结果显示本文所提出的模式训练方法与现有的训练方法相比具有较高的预测精度,同时也验证了算法的有效性。