随着移动便携设备的广泛普及以及无线通信技术和全球定位技术的飞速发展,使得对移动对象进行轨迹追踪成为可能,随着移动对象轨迹数据的大量出现,对轨迹数据的分析和挖掘也越来越受到国内外研究学者的关注,轨迹聚类技术是其中的热点问题之一。目前的轨迹聚类很少有利用到轨迹的多方面特征,聚类方法上利用图数据中的非重叠社区发现方法进行聚类的做法也比较少。利用轨迹多特征进行聚类可以使聚类更加准确,社区发现方法用于轨迹聚类也具有速度快,无参数输入等优点。因此,本文提出了基于时空和语义相似度的轨迹社区发现方法。为了使轨迹相似性度量更加精确,本文提出了轨迹时空相似性度量和轨迹语义相似性度量方法,这两个相似性度量方法都充分考虑了时间因素对相似度准确性的影响,通过对着两个相似度的计算来对轨迹相似性进行更加准确的度量。本文的主要贡献点如下:首先,提出了语义轨迹直方图的轨迹语义相似性度量方法,该方法提取了轨迹中有效的语义信息,同时考虑了时间因素对轨迹语义相似性的影响。另外,本文提出了语义轨迹转移频度的概念,通过对比不同的语义轨迹转移频度来对轨迹语义相似性进行更精确的度量。其次,提出了加权最长公共子序列方法来度量轨迹时空相似性,在传统的最长公共子序列相似度的基础上加入时间权重来度量轨迹的时空相似性,充分考虑时间因素对轨迹空间相似度的影响。另外,本文提出了轨迹的最小外接网格矩形的概念,用来加速轨迹时空相似度计算过程。再次,在计算轨迹总体相似度时采用了 skyline探测使数据特征更加突出,提高了聚类效果。最后,采用了带权无向图中的社区发现方法对轨迹进行聚类,取得了不错的聚类效果。通过理论分析和实验评估,证明了本文提出的基于时空和语义相似度的轨迹社区发现方法符合理论上的可行性和操作上的正确性。