面向时空轨迹对移动簇模式进行挖掘是时空轨迹数据中模式挖掘的重要研究内容,可应用于智慧交通管理、公共安全服务和动物行为研究等领域。近年来随着空间定位技术的蓬勃发展,各种定位设备等的广泛应用,时空轨迹流数据能够实时被采集。时空轨迹流具有实时到达、快速更新、没有边界等特性,这些特性导致了轨迹流难以存储且对实时性要求很高。为了解决海量时空轨迹流的移动簇模式挖掘问题,本文研究了时空轨迹流的移动簇模式挖掘算法及模式评价算法,取得了如下研究成果。1.提出了一种面向时空轨迹流的移动簇模式挖掘框架MCStream(Moving Clusters pattern discovery from trajectory Stream),该框架以现有的多种移动簇模式为基础,通过获取空间关系、获取关联簇以及更新移动簇模式三个阶段进行移动簇模式挖掘。在空间关系获取阶段,提出移动微组结构来维护较稳定的成员之间的关系,提高算法效率。同时,利用相邻时刻簇与簇之间的包含关系,获取关联簇,并利用关联簇的信息,对上一时刻的模式进行更新,从而避免重新进行计算,提高了算法效率。2.提出了一种面向时空轨迹流的渐变移动簇模式挖掘算法GMCStream(Gradual Moving object Clusters discovery from trajectory Stream),该算法以 MCStream 框架为基础,同时考虑了渐变移动簇模式放松时间的特性,引入时间窗口技术,只需对时间窗口内的数据进行处理,就能快速得到模式挖掘结果。同时,为了减少模式更新操作过程中无效的求交操作,利用渐变移动簇模式要求对象规模渐变的特性,提出两个剪枝规则对待求交的关联簇进行剪枝优化,进而提高算法效率。3.提出了基于上述算法的并行挖掘算法PGMCStream(Parallel Gradual Moving object Clustersdiscovery from trajectory Stream),使用 Spark Streaming 实时流计算技术进行面向轨迹流的渐变移动簇模式挖掘。将持续到达的轨迹流数据分成若干批次。将每一个批次中的流数据分发到各个节点,多个计算节点同时计算不同的移动对象轨迹数据,从而提高算法效率,实现对大规模的轨迹流进行渐变移动簇模式并行挖掘。4.提出了面向时空轨迹的移动簇模式评价算法RWR-Ranking和WRWR-Ranking,利用移动簇的地理空间属性,基于图模型提出重启式随机游走模型的移动簇模式排序方法。同时,结合时空因素,将时间因素作为权重构建带权的图模型对移动簇进行重要性排序。