卫星、无线网络和各种定位设备的发展普及,带来了移动对象的海量轨迹数据,轨迹数据挖掘也成为数据挖掘领域新兴的研究方向。轨迹数据富含时空特征信息,挖掘轨迹数据有助于人们了解人员流动趋势、实时交通动向、动物迁徙习性和气候气流变迁等重要知识,并采取相应的措施保证社会正常运行。旅行同伴挖掘是轨迹数据挖掘的一个重要研究分支,其目的是从海量轨迹数据中寻找时间和空间距离都很接近的一组轨迹,而相应的移动对象即被认为是“旅行同伴”。旅行同伴挖掘具有很多应用场景,譬如,挖掘动物旅行同伴有助于研究不同种群的迁徙习惯,挖掘汽车旅行同伴有助于预测交通拥堵情况,挖掘行人旅行同伴有助于商业推广和广告营销等。在轨迹数据挖掘研究兴起之初,旅行同伴挖掘主要采用轨迹模式挖掘算法。这类算法首先根据所研究的问题定义旅行同伴的轨迹模式,然后设计相应的算法从海量数据中挖掘满足该模式的轨迹。模式挖掘算法对数据质量有较高的要求,然而轨迹数据固有的时空噪声干扰、数据采样不均、长度分布各异等特点,为旅行同伴的有效识别带来了诸多挑战。近年来,深度学习技术逐渐被应用于轨迹数据挖掘研究。利用深度神经网络对轨迹数据进行表征学习,然后基于轨迹表征挖掘相应的模式,可以有效规避轨迹数据的上述缺点。尽管如此,现有基于深度学习的轨迹挖掘算法仍然没有很好解决旅行同伴挖掘的挑战。首先,现有算法往往只关注轨迹在空间维度的相似性,忽略了时间维度的信息,因此并不能直接应用于旅行同伴挖掘;其次,轨迹数据中通常没有旅行同伴标签,因此无法采用有监督训练的方式学习轨迹表征。本文基于深度学习算法,针对上述两个挑战开展研究,提出基于自编码器的旅行同伴挖掘方法,并通过大量实验验证提出方法的有效性。本文的主要贡献总结如下:●本文为了学得高质量的轨迹表征,提出了一种基于双自编码器的旅行同伴挖掘模型,即ATTN-MEAN。ATTN-MEAN利用双LSTM自编码器的结构,以及Sort-Tile-Recursive算法的帮助,通过设计重构损失和相似度损失的方式来学得高质量的轨迹表征。学到的轨迹表征既包含轨迹的自身信息也融入了旅行同伴的信息,从而使得旅行同伴之间的轨迹表征相似度较高,而非旅行同伴之间的相似度较低。●提出了一种基于位置编码、图卷积网络来分别表征时间、兴趣点的方法,帮助模型更好地区分空间距离相近、时间距离相远的轨迹。本文受到位置编码的启发,构建所有轨迹点所跨越的时间的全局位置编码（以秒为粒度）。使得落在同一个网格中但采样时间不同的轨迹点能够获得具有区分度的轨迹表征。此外,本文仍利用图卷积神经网络训练得到轨迹点附近的兴趣点的表征信息,来进一步增加空间距离相近的不同轨迹点的表征之间的区分度。实验证明该设计可以使得表征的聚类效果大大提升。●利用DBSCAN对轨迹表征进行聚类来挖掘旅行同伴,并利用不同的指标、敏感度分析和消融实验,证明了模型以及不同模块的有效性。在指标衡量上,本文从内部和外部两个方面对聚类的结果进行实验分析。内部的指标采用了戴维斯堡丁索引值、轮廓系数来判断轨迹表征之间的凝聚度和分散程度;外部的指标则采用了加权均熵,根据构造的标签,来衡量聚类结果的纯度。与此同时,本文进行了多项敏感度实验来探讨Sort-Tile-Recursive算法中最小边界矩形（MBR）的容量大小设定、从MBR中抽取小批次送入ATTN-MEAN的批次大小设定以及位置编码对于轨迹表征的贡献与有效性。