随着定位技术和移动互联网技术的飞速发展,人们在各种日常生产活动中产生的轨迹数据越来越多、规模越来越大,挖掘工作的代价也越来越高。传统上对轨迹数据的挖掘基本依靠研究人员的经验选择和调整参数,这会对挖掘结果的客观性产生影响。因此,如何快速、有效地从海量的轨迹数据挖掘出有用的信息,并尽可能减少人为干预,实现轨迹数据时空规律与模式的自动发现,这对轨迹研究具有重要意义。本文以移动对象轨迹数据为研究对象,以时空规律自动发现方法为研究目标,提出了轨迹数据时空规律自动发现方法的相关算法。研究的工作主要如下所述:传统上时间粒度的选择是研究者依靠经验进行选择,但随着数据规模的增大,可能导致某些粒度下的未知时间规律被忽略。对此,本文给出了一种多粒度时间规律自动发现算法Auto-MTRD。首先建立基于位置的轨迹时间序列;其次根据无损压缩理论设计能得到最优聚类个数k的综合损失函数;再次以DTW为距离度量进行k-medoids聚类得到多个时间序列模式;最后用信息熵对各个簇中的时间粒度的相对重要性进行评估得到分层指示时间规律的时间规则树。传统上对于轨迹数据空间规律的研究主要是停留点检测和对空间轨迹的划分,但随着数据规模越来越大,导致挖掘工作不易进行。对此,本文给出了一种空间自动划分算法CEAP。首先,把轨迹位置信息的经纬度通过三角函数进行变换;其次用交叉熵的方法将轨迹位置的多个特征映射到一个指标上;最后用自动编码的方法对空间进行自动划分。近年来随着深度学习运用于轨迹数据挖掘,效果较传统方法明显提升,但其学习模型的大量超参数设置和调优工作随着数据规模的增长代价越来越大。对此,本文提出了对深度残差网络中超参数学习率自动化的算法G4。首先建立基于深度残差网络的自动预测时空规律的模型,借助电子技术中对信号进行谐波变换的傅里叶级数得到关于学习率的谐波变换公式,使学习率在训练过程中动态调整;其次将初始化的学习率带入残差网络中,在反向传播过程中利用本文提出的算法动态调整学习率,能更好的基于训练数据迭代更新网络权重,进而优化损失函数;最后用训练好的模型预测轨迹数据的时空规律。以上方法均在真实数据集上进行了相关实验,结果表明,本文所提的相关算法均具有可行性,减少了人为干预,提高了轨迹数据挖掘的有效性。