随着硬件技术的飞速发展,大量的移动设备配备了GPS,如汽车导航仪、手机、运动手表等。这些设备的日常使用产生海量数据,而这些数据的传输和处理给网络和计算都提出了挑战。考虑到轨迹信息中存在的大量冗余,为了节省资源,非常有必要对轨迹进行压缩。通常移动设备的轨迹采样方式可分为均匀采样和非均匀采样。针对这两种不同采样方式,我们设计了对应的轨迹压缩算法:针对均匀采样的基于分布式压缩感知的轨迹压缩算法和针对非均匀采样的基于线性简化的窗口式压缩算法。采样均匀的轨迹数据,可被表示为为经度、纬度和采样频率。一个简单的做法是将经度和纬度当做信号,直接利用现有压缩感知压缩方法来进行压缩。然而,现有压缩感知方法仅仅利用了单维信号内部的时间联系,而没有考虑到两维信号之间的空间联系。事实上,轨迹的经度和纬度之间通常存在较强的关联。因此,我们在分布式压缩感知的框架下提出了一个联合压缩算法,利用经度和纬度之间存在的共同成分来提高压缩效果。具体来说,我们在分布式压缩感知模型中引入关联矩阵来表示两个维度之间存在的线性关系。我们在均匀采样的行人数据和汽车数据集上都进行了试验。在所有数据集上我们的算法的精度均显著高于SimpleTrack等现有压缩算法,在恢复精度上均提高了10%以上,尤其是在汽车数据集上提高了40%到50%。对于非均匀采样的轨迹,目前普遍采用的算法是线性压缩算法。针对线性压缩算法在轨迹信号接收机场景下的改进,综合全局最优的离线算法TD-TR和SQUISH-E(λ)的优点,我们设计了一个窗口式的在线压缩算法。考虑到接收机存储空间小,压缩后的内容要尽快上传,我们设计了窗口式的压缩算法。在窗口内部,采用TD-TR来获得最优解。但是相对于全局最优的解法,窗口间的标准不统一,导致窗口型的算法始终远差于全局最优解。因此,采用SQUISH-E(λ)提出的优先级队列以及一个自适应的误差上限来调和各个窗口的标准,使得各个窗口的最大误差维持在相近的范围。自适应的误差通过各个窗口误差的滑动平均得到。在高频和低频两个汽车数据集上的实验表明,与OPW-TR,SQUISH-E(λ)等在线算法以及全局最优算法TD-TR相对比,在同步欧式距离、空间距离和速度误差上,我们的算法均优于在线算法,并且靠近全局最优算法。