在智能化和信息化的社会,卫星导航和手机定位系统迅猛发展。在大气监测,智慧通勤等行业收集了海量的轨迹数据,并且轨迹数据的存量会持续增长。轨迹数据挖掘研究有助于发掘出海量的轨迹数据中有价值的隐藏信息。本文围绕轨迹数据相似性度量和异常轨迹检测算法现状研究,主要研究内容如下:(1)传统的轨迹相似度仅从位置向量进行度量,忽略了轨迹数据的速度和时间特征,这导致轨迹度量结果无法有效、全面地反映实际情况,降低了轨迹检测结果的有效性。为了克服以上限制,提出了一种面向多个特征向量的轨迹数据相似性度量策略以及多特征融合的相似轨迹度量方法,通过融合的特征向量来发现隐藏的重要轨迹信息。该方法首先将轨迹数据映射到图模型描述的轨迹图中,每条轨迹是轨迹图的一个节点;针对各节点的速度、时间和空间特征,给出了适用其度量的三个核函数,通过加权求和实现三个特征向量的融合;然后采用每个节点的特征融合的值来构建轨迹数据的相似矩阵,以此实现轨迹数据融合特征的相似性度量。最后,运用层次聚类的方法对轨迹的特征融合策略进行评估,实验显示该策略使得聚类结果更准确,即同一轨迹类中的数据具有相同的特征表现,而来自不同轨迹类中的数据的特征表现有差异。(2)本文提出了一种基于稀疏子图的异常轨迹检测算法TADSS,将轨迹数据抽象为图模型,通过图模型划分和搜索稀疏子图来检测异常轨迹数据。TADSS算法首先计算轨迹数据间的特征融合度量的相似值,建立轨迹向量特征图;然后通过谱聚类技术将轨迹特征图划分为多个轨迹子图;最后,提出了一种新颖的权重系数概念并定义稀疏子图,通过搜索稀疏子图来实现异常轨迹的检测,其中,稀疏子图是图的密度远低于平均密度值的特殊图,因此稀疏子图中的数据可被视为异常轨迹数据。(3)本文采用多个真实数据集来评价、验证算法的性能。首先,利用上海市出租车的车辆轨迹数据,通过聚类算法评估验证了轨迹数据特征融合相似度量的性能,实验结果表明,经过多特征融合度量的聚类结果更加准确,并且具备良好的稳定性。然后利用上海市的车辆轨迹数据,来评价异常轨迹检测算法TADSS的效率,并使用大西洋飓风数据来评估参数对实验结果的影响,实验结果表明,TADSS算法能准确地检测出真实的异常轨迹,其效率优于现有算法。