对于轨迹分析来说,轨迹聚类一种重要的数据挖掘技术。大多数聚类算法面临着两个具有挑战性的问题,即选取合适的距离度量方法以及获取最优的聚类个数。凝聚式的信息瓶颈算法通过引入特征空间的概念,并且最大化特征空间与最终聚类结果之间的互信息,同时保持原始轨迹数据与最终聚类结果之间的互信息最小化。利用此信息瓶颈,我们避免了轨迹聚类中轨迹间距离的度量问题并且能够得到最优的聚类个数。而且,本文提出了对凝聚式的信息瓶颈算法的改进,即快速凝聚式的信息瓶颈算法。通过两种加速策略对凝聚式的信息瓶颈算法进行加速,第一种策略是基于空间划分的“剪枝”策略,通过这种策略能够减少每次迭代过程中需要进行信息熵损失计算的轨迹对数量。第二种策略是合并多条候选轨迹,这样能减少算法的迭代次数。通过合成轨迹数据、模拟轨迹数据以及真实轨迹数据的实验分析,Fa IB算法的运行时间比a IB算法减少了10倍左右,并且迭代次数也大大减少。尤其对大量轨迹数据进行聚类时,这种加速效果就更加明显。毫无疑问,轨迹聚类的可视化对于理解算法的核心过程极为重要。因此,本文提出了一个针对于快速凝聚式的信息瓶颈算法的过程可视化工具,帮助用户更加直观和生动地理解算法的核心过程。可视化工具提供了良好的用户交互,允许用户对算法过程的各个关键参数进行调整并且能够得到调整后的结果。本文通过对真实轨迹数据集的实验结果来说明可视化工具对于轨迹分析的高效性。