基于车载GPS定位信息的个人位置服务的数据挖掘研究发展方兴未艾。本文从一个新的视角,即复杂网络,对个人驾驶数据进行特征挖掘分析,并将有关网络模型思想应用到对典型交通流模型的研究。本文的主要研究内容及取得的结果有:　　首先,本文对车载GPS定位数据进行不同的处理,分别建立了单车数据网络模型和多车数据网络模型。对于单车数据网络模型,我们将网络中度数较高且密集的两个区域的节点和原始数据的时间信息对应,成功挖掘出车主的工作地点位置和住所地点位置。对于多车数据网络模型,将网络拓扑图中呈现出小聚居形态的区域的节点和原始数据中经纬度信息对应起来,同样分别挖掘出部分车主的工作地点位置和住所地点的位置。　　其次,本文研究了基于交通流最优速度模型产生的时间序列的动力学特征。首先,通过解最优速度模型的微分方程得到交通流速度和车头间距时间序列,并且,通过对最优速度模型中前车的速度施加正弦信号、随机信号、高斯信号和卡方等噪音信号干扰,得到四种不同的速度、位移时间序列,然后利用数据替代技术对交通流时间序列进行替代数据检验,结果表明它们为非纯噪音数据,而是呈现明显的动力学特性。　　再次,本文用递归图方法将交通流时间序列映射到复杂网络,并通过分析它们的递归图,得出了除正弦信号干扰得到的交通流时间序列以外的其他干扰下的数据都存在着无标度特性的结论,而且这种无标度网络特性独立于干扰信号的数据概率分布特性。这说明驾驶者随机驾驶行为对模型数据的产生具有明显作用,这对研究驾驶行为对道路交通状况的影响有参考价值。此外,速度时间序列对应的递归图和车头间距对应的递归图形状几乎完全一样,说明了这两种时间序列具有同样的动力学特征。　　最后,本文用等距映射算法把复杂网络还原为时间序列,通过和原始时间序列对比,说明通过递归图法将时间序列映射为的网络保留了原时间序列的所有基本信息,验证了递归图方法的合理性。