随着时代的进步和人们生活水平的大幅提高,购买汽车的人越来越多。一方面,各种定位技术在不断的发展,移动设备也在普及,获取人们的定位信息并转化为时空数据也变得越来越容易。另一方面,为了维护汽车服务公司和消费者的权益、保障人们的车辆安全、方便对车辆的有效调度,很多车辆都配备了汽车定位设备,这些设备向特定的管控中心不断地发送定位数据。这些数据包含了大量的信息,为分析用户的行为习惯等信息提供了丰富的数据资源,有利于各种基于位置的服务的实现,对风险控制、城市建设以及路线规划具有极其重要的意义。本文通过对基于卫星定位数据的用户信息挖掘技术进行分析,对驻留点判别、相似度度量、轨迹点聚类和用户信息挖掘及可视化进行了深入的研究。基于真实的定位数据挖掘用户的驻留信息、频繁项和重要点信息,具体研究内容包含以下几个方面:(1)驻留点判别。研究定位数据的挖掘流程,针对定位数据具有不连续、不完整等特点,对传统动态驻留点判别算法进行了改进,提出了SMCT算法,并对其预定义参数进行了详细分析。本文从准确率、精准率和F值等方面验证了SMCT算法比传统动态驻留点判别方法拥有更好的性能和效果,证明了SMCT算法提取出的用户驻留点具有驻留无偏差、适用性更强的特点。(2)相似度度量。研究了时间的表示方式,提出了一种基于DT距离的时间点相似度度量方法,将其与聚类算法相结合,挖掘用户的时间信息。(3)轨迹点聚类。研究轨迹点聚类算法,在DBSCAN聚类算法的基础上,提出了TP-DBSCAN算法。通过引入加权系数和密度阈值自适应,降低了算法对参数的敏感性,解决了轨迹点邻域半径与价值密度成反比的问题。并采用轮廓系数将其和其他算法进行了对比和分析,验证了TP-DBSCAN算法具有良好的聚类效果和更强的鲁棒性。(4)用户信息挖掘及可视化。通过对真实的卫星定位数据挖掘用户的驻留信息、频繁项和重要点信息,并结合高德地图,语义化用户重要位置点,完成了用户信息可视化。