随着全球定位系统应用的普及,轨迹数据早已应用于人们日常生活中的各个领域。轨迹分段是轨迹数据挖掘中重要的预处理过程,合理有效的轨迹分段结果有助于理解和使用轨迹数据。然而,目前应用于轨迹分段的方法只能针对特定的应用领域及轨迹数据集。本文基于轨迹数据的语义特征,提出一种可适用于多种应用领域的轨迹数据分段方法,之后结合该轨迹分段方法分别构建一种轨迹语义标注框架和一种交通量预测模型。主要内容包括:(1)提出基于轨迹语义特征的轨迹分段算法,称为Moving Pattern Change Detection algorithm(MPCD),用于完成轨迹数据的分割任务。MPCD的优点是可以在不依靠先验知识或者不采用阈值法制定轨迹分段标准的条件下分割原始轨迹。而且通过选择不同的轨迹语义特征,MPCD可以适用于不同领域应用场景产生的轨迹数据集上的分段。比对实验结果显示,本方法与对比对象具有相同的距离准确率,但是在时间准确率上却高于对比对象2.5%。(2)构建完整的轨迹语义标注框架用于轨迹语义信息的添加与标注。该框架区别于传统的轨迹语义标注框架,包含了完整的轨迹数据预处理和语义推理机制。在完成轨迹分段之后,通过建立的通用本体模型,从用户行为和交通方式多角度解释了轨迹的实际含义,为轨迹数据提供了完备的语义推理机制。实验部分通过分析具体案例,给出了层次化的轨迹语义信息的输出结果,对轨迹语义进行解释。(3)建立一种面向城市区域的交通流量预测模型。该模型在考虑到不同时段交通量数据之间时序性的基础上,可以实现区域间交通量多时段的连续数据预测。同时为了减少模型参数学习的压力,提出一种参数学习算法,在保证模型预测准确度的前提下,完成了参数的批量学习,并最终在实验结果中表明,本模型的预测误差与对比实验相比分别平均降低了8.36%和12.20%。通过对传统轨迹分段的改进,本文提出的基于语义特征的轨迹分段方法避免了使用阈值的弊端,因此该分段方法能适用于更多的轨迹应用场景。基于该分段方法,本文又建立轨迹语义标注框架和交通量预测模型,分别用于轨迹语义信息的添加和城市区域间交通量预测.