轨迹数据挖掘作为一个热门的研究领域,已经吸引了较多科研人员的关注。在移动社会网络中,节点的移动历史记录所产生的轨迹数据蕴含着丰富的信息,这些信息是与节点移动行为密切相关。通过轨迹挖掘技术,从大量的节点移动轨迹数据中挖掘出这些潜在信息,再经过处理应用到实际场景中去,这也是目前大多数研究的主要工作。现实世界中节点移动往往同时表现出一定的规律性和随机性,其中规律性主要体现在节点的出行目的较明确,例如工作、生活、出游和社交等,而随机性体现在节点的任意移动,例如节点在移动过程中由于注意力转移,导致其移动方向发生任意改变。这些使得节点轨迹变得错综复杂,给轨迹数据挖掘任务带来了巨大挑战。轨迹划分和聚类技术是轨迹数据挖掘任务的核心工作,它们是处理轨迹数据和分析节点移动行为的关键所在,本文主要针对轨迹划分技术和轨迹聚类技术展开研究。轨迹划分是轨迹数据挖掘的基础步骤。原始移动轨迹数据通常是非常庞大的,这些轨迹数据需要消耗大量存储空间。此外,轨迹形状具有多样性,主要原因在于道路的限制和节点的随机移动。轨迹划分的目的是将轨迹中的冗余数据移除,同时保留较为重要的轨迹数据,使得划分后的轨迹和原始轨迹尽可能地相似,即轨迹划分要在简化率和划分误差之间取得较好的平衡。本文首先从移动速度、停留点和移动方向等方面来分析节点移动行为,提出了基于多移动特征的轨迹划分方法,该方法包括3个阶段:首先通过检测节点移动速度的变化来找出速度改变点;然后在检测速度变化的前提下,根据节点活动的时间和范围来确定停留点;最后之前提取出的改变点和停留点作为特征点,并利用Douglas-Peucker算法结合节点移动方向对轨迹做出划分。实验结果表明该方法能够在简化率和划分误差之间取得良好的平衡,而且轨迹划分过程的执行时长也被大大缩短。轨迹聚类是用来剖析节点移动行为的关键技术,轨迹聚类本质上就是将聚类算法应用于轨迹数据。在本文中,轨迹聚类技术通过识别相似的轨迹段,并把它们自动地分为多个类别,使得属于同一类别的轨迹段具有相似的移动特征,并揭示出节点潜在的移动行为。特别地,当前大多数轨迹聚类方法主要关注空间属性或者语义属性,然而时空属性往往被忽视,因此造成涉及节点移动行为的部分关键信息被丢失。因此,本文提出了联合时空属性的轨迹聚类方法,利用轨迹段的时间属性和空间上的位置属性,使聚类结果具有更加明确的语义。本文主要提出了基于多移动特征的轨迹划分方法和基于联合时空属性的轨迹聚类方法。并针对这两种方法在真实的移动轨迹数据集上进行仿真,仿真结果表明提出的方法能有效地降低轨迹数据中的冗余数据和发现节点的相似移动行为。未来的工作将会在更多的真实数据集上进行仿真,并优化仿真参数设置以及进一步提升算法效率。