随着科学技术的发展与进步,人民的生活水平有了明显的提高,随之而来的社会问题也十分明显,其中交通车辆的大量增多带来的交通拥堵问题是十分严峻的。同时,各种传感器设备以及各种卫星定位设备,在实现为车辆导航等功能之余,也记录下了海量的车辆移动数据。在这些海量的交通数据之中蕴含了大量的信息,通过这些数据,我们能够找到城市交通的拥堵规律。然而这些信息都是需要我们去挖掘的。目前,这些交通数据大多数是由GPS系统提供的定位信息,这些信息在很多时候不仅仅是一个个的经纬度坐标,往往还包含了很多其他的数据,包括时间,运行速度等。在各种各样的数据之中,出租车的轨迹数据是最容易获取,也是最具代表性的数据。出租车在城市中的运动同公交车相比具有很大的随机性,并且同私家车相比在时间上有很长的延续性,是一种十分值得分析的数据。同时在面对城市拥堵的问题上,一个区域的拥堵不仅仅是某一时刻的问题,而是一个时间段上的整体趋势。这导致了很多平面上的聚类算法已经不太适用于当前的情况。我们需要扩展聚类算法的适用性,实现在时空上的延伸。利用这些带时间信息的时空轨迹来完成对于时空上的拥堵规律的分析。本文将利用一系列基于密度的聚类算法来分析交通拥堵在区域上的时空特征和在轨迹上的时空特征。首先将会改进ST-DBSCAN聚类算法。该算法引入了时间维度,将传统的聚类算法从平面上,扩展到了一个柱状的时空体里面,加深了聚类对象之间的时空联系。同时引入了一系列的非时空约束来优化ST-DBSCAN对于拥堵区域的判定。主要引入的约束有:速度约束,时间约束,车辆在时空体中出现的频次约束,以及车辆行驶方向的约束等。然后,通过聚类的结果分析了交通拥堵在区域上面的时空特征。其次改进了TRACLUS算法,在传统TRACLUS算法的基础上扩展了时间的维度,得到了一个时空轨迹聚类算法ST-TRACLUS。在聚类时引入了一种最小描述长度的子轨迹段的划分算法,将原始的轨迹点划分成为一段段具有代表性的子轨迹段。从而将聚类算法的对象从轨迹点向子轨迹段上转变。在聚类的同时也加入了一系列的非时空约束,优化算法对拥堵轨迹段的判定。最后利用时空轨迹聚类的结果分析了交通拥堵在轨迹上的时空特征。