城市时空热点指城市居民来往次数多、交通流量大的时空区域。确定城市时空热点在城市基础设施建设、交通规划、商铺选址、打击犯罪等公共服务领域有大量的应用。目前的热点检测通常是在收集到的全部出租车轨迹上,采用Getis-Ord G_i~*统计方法,把轨迹按照时空立方单元划分,计算所有轨迹数据覆盖下的热点单元,作为城市时空热点。随着实际应用的扩展,人们对于城市时空热点检测有了更高的要求,希望根据需求定制城市时空热点检测。不同需求的热点检测使用不同的数据,但是现有的热点检测方法是使用海量历史数据进行一次性计算,占用内存大,计算时间长。这样得到的热点往往不能满足众多的实际需要,当轨迹数据更新或进行不同需求的热点检测时,需要重新计算热点。由于积累的轨迹数量庞大和计算复杂,现有检测算法的优化重点放在了如何应对海量的数据上,从目前已知的文献中没有发现专门针对不同需求进行城市时空热点检测的方法。针对上述问题,本文研究参数化的“城市时空热点查询”,设置五类符合实际需求的查询参数(地理范围、日期范围、热点粒度、时间组织方式和热点数目),通过适当的数据组织,满足多参数查询,使热点检测变得高效。针对不同的查询参数,需要处理的数据不同,我们提出小粒度三维网格索引组织轨迹数据,快速提取需要处理的数据。针对大规模数据的查询,查询耗时较长,我们使用采样过滤策略,使算法时间复杂度降至O(1),提升大规模数据下的查询性能。针对查询过程中的检测算法,采用优化后的Getis-Ord G_i~*统计方法,优化方法包括使用二次job缓解数据倾斜、RDD元素重构解决shuffle量过大等。用纽约市出租车轨迹数据集在Spark集群进行查询实验,结果证明本文提出的索引方法和存储策略能够实现指定参数查询,大幅减少查询响应时间,采样过滤策略可以有效解决因数据量过大导致的查询响应时间长的问题。另外检测算法中的优化方案可以明显提高分布式算法的检测效率。