在移动对象数据库的领域中,对象的运动通常被当作一个连续曲线来研究,即运动轨迹。在轨迹数据库中发现队列具有重要的意义。队列发现与很多实际问题密切相关,诸如合伙用车、集装箱调度、减少尾气污染等等。本文介绍并继续研究了队列发现问题。首先,本文提出了新型的队列发现框架。传统的队列发现方法在所有时间点都要进行聚类,而且还有线段聚类时使用最大边界作为误差边界值的问题。本文针对传统的队列发现方法的不足,对之前方法进行改进,针对以往问题提出新型的队列发现模式。其次,采用一种使用参数设定误差边界值的方法来缩小轨迹的误差边界。利用切割时间轴的思想,将原先线段聚类时使用的较大误差边界值缩小为一个参数设定值。之后在缩小的时间范围内发现队列,切割掉的时间段不参与聚类。本方法减少精化步骤中需要聚类的数据集和时间点数,避免较多的候选队列进入聚类过程中,从而提高算法效率。最后,提出利用方差寻找轨迹波动的方法来缩小轨迹的误差边界。由于较大波动的对象轨迹切割对减小误差边界距离效果明显。利用寻找轨迹波动大小的,切割掉简化前后变动大的轨迹,同时记载切割的时间,以保证在相同切割时间段内发现队列,降低计算成本的同时确保结果的准确。通过实验验证,结果表明本文提出的算法在队列发现过程中效率方面有较大改善,实现了预期的研究目标。