随着全球定位技术和无线通讯技术的日趋成熟以及基于位置的服务(如社交媒体、地图导航、附近推荐等)迅速发展,产生了海量记录移动对象位置序列和活动信息的轨迹数据,包括时空轨迹数据和语义轨迹数据。这些轨迹数据中蕴含了移动对象的运动规律和行为模式,对其进行分析与挖掘可为公共事件检测、公共交通优化、城市功能区域划分等应用提供支撑。本文研究移动对象聚集模式挖掘算法并在云计算环境下加以实现,取得的成果如下。1.提出了基于簇包含连接的时空轨迹聚集模式挖掘算法CCJMGP(Cluster Containment Join based algorithm for Mining Gathering Pattering from Spatio-Temporal Trajectories)。首先通过聚类获得移动对象簇;接着,利用连接操作识别规模渐增的移动对象群体作为候选聚集模式;最后验证候选模式的正确性。该算法面向时空轨迹数据,着眼于聚集群体的形成过程,利用识别聚集群体的关键操作——簇包含连接完成挖掘工作。为了应对海量轨迹数据挖掘的需求,本文将CCJMGP算法进行了并行化。并行化算法将移动对象簇划分到不同的计算节点中,多个节点同时进行连接操作,提高识别聚集模式的效率。利用真实的轨迹数据集进行实验,结果表明上述算法能够高效且准确地挖掘现实世界中的移动对象聚集模式。2.提出了语义轨迹聚集模式挖掘算法MGPST(Mining Gathering Pattering from Semantic Trajectories)。针对时空轨迹缺少描述移动对象活动信息的特点,将时空轨迹数据同语义信息数据融合生成语义轨迹。该算法面向语义轨迹数据,着眼于聚集群体的聚集状态,分别在语义维度、空间维度和时间维度进行挖掘,挖掘结果具有语义一致性、空间紧凑性和时间持续性。为了应对海量轨迹数据的挖掘需求,本文将MGPST算法进行了并行化。并行化算法将具有语义一致性的移动对象簇分发到相同节点中,多个节点同时识别聚集模式,提高聚集模式挖掘效率。利用真实轨迹数据集进行实验,结果表明上述算法的效率高于CCJGPM算法且挖掘结果具有更好的可解释性。3.开发了轨迹聚集模式挖掘原型系统,以更好地展示聚集模式挖掘结果。该系统包含四个模块,分别是数据预处理、聚集模式挖掘和聚集模式可视化。预处理模块负责时空轨迹预处理、语义轨迹生成等工作;聚集模式挖掘模块利用聚集模式挖掘算法从轨迹数据中挖掘出群体聚集模式;聚集模式可视化模块利用开源地图和图表控件等手段展示挖掘结果多个维度的信息。利用真实的轨迹数据对系统进行测试,结果表明该系统能有效地挖掘真实世界中的聚集模式,并对聚集模式进行可视化。