现有的基于位置服务的系统已经收集了大量用户轨迹数据,如果这些数据未经任何处理,数据管理员就直接发布,用户的个人隐私就会被泄露。差分隐私技术可以保护数据隐私,但如何合理地将其应用到基于位置服务的系统中,也是当前面临的一个挑战。针对智能交通卡数据规模大、维度高以及稀疏的特点,本文围绕在满足差分隐私保护的前提下如何实现交通轨迹数据保护、以及频繁轨迹序列挖掘展开研究,具体研究工作如下:(1)提出交通轨迹数据发布差分隐私保护算法。首先,根据时空轨迹数据构建一棵无噪声的前缀树,前缀树保存了轨迹的公共前缀信息,包括时间戳、地点及计数。然后,根据树的节点保存前缀子序列的计数,使用增量隐私预算分配机制,为前缀的节点计数添加随机噪声。设计时空维度缩减方法,依据地点之间的最短可达时间矩阵,在不消耗任何隐私预算的情况下,缩减了地点和时间组合的维度,避免了维度爆炸。此外,为每层节点设置阈值函数,通过剪枝,合理的保留节点,保证树结构父节点和孩子节点计数之间的一致性约束,从而构建满足约束的噪声前缀树。最后,发布从噪声树合成的净化数据集。在4个不同规模的轨迹数据集上对算法进行实验评估,数据是由深圳地铁提供的真实数据集,它包含121个地铁站中280万名乘客在24小时内的刷卡数据。实验从3个方面分析算法,大量的实验分析表明,相比之前的研究工作,本文提出的模型算法发布的轨迹数据结果有较高的可用性。(2)提出差分隐私保护的频繁序列模式挖掘算法。为了减少噪声的添加,本文在挖掘轨迹的频繁序列之前通过将轨迹存储在前缀树中,通过对树节点计数添加噪声、剪枝等操作,来保护轨迹数据的隐私,最后通过频繁序列挖掘算法来挖掘频繁的非连续轨迹序列。实验使用正例数量和效用损失率来验证频繁序列挖掘效果。在真实的交通轨迹数据集中,大量的实验表明算法输出的净化后地点轨迹数据集有较高的可用性,挖掘得到的频繁序列有较高的质量。本文以交通轨迹数据的差分隐私保护以及频繁序列挖掘为重点展开研究,从多方面评估、验证、分析了提出的算法的可行性以及高效性。弥补了现有研究方法的不足,具有一定研究价值。