时空热点是指居民来往次数多、交通流量大的三维时空区域。快速发现时空热点对一系列基于位置的实时服务有重要的现实意义。现有的高效时空热点查询算法是基于Spark分布式计算框架和Getis-Ord统计量的两阶段map-reduce算法。第一阶段map-reduce用于计算各立方单元格的属性值,第二阶段map-reduce用于计算各立方单元格的邻居贡献。现有算法在两个阶段map-reduce中存在耗时严重、资源浪费问题。在第一阶段map-reduce,遍历全部轨迹数据导致查询耗时严重,且原始轨迹数据映射到立方单元格中的k,v＞数据分布不均匀,导致聚合操作时系统中大部分资源空闲等待、计算效率低。在第二阶段map-reduce,计算所有立方单元格的邻居贡献导致计算资源浪费。在整个时空区域中,热度值大的立方单元格只占少数,而热度值小的立方单元格占多数,大部分热度值小的立方单元格不可能成为时空热点,更不会使其邻居单元格成为时空热点,因此计算大量无用立方单元格会造成计算资源浪费。针对上述问题,本文通过采样过滤策略来加快计算、减少资源浪费。具体地,针对第一阶段map-reduce存在的耗时严重、效率低等问题,本文通过分析轨迹数据的分布规律,确定采样规模,对轨迹数据进行规律采样和随机采样,从而大幅降低查询时间、减轻数据分布不均的影响。针对第二阶段map-reduce存在的计算浪费问题,本文以单元格属性值的分布为依据,动态确定阈值T,取属性值最大的top-T个立方单元格作为热点候选集,只计算热点候选集中立方单元格的热度值,从而减少计算浪费。本文创新点如下:(1)提出一种对轨迹数据采样的方法S-RSampling(Stratified-Random Sampling)。在每条轨迹数据映射成＜k,v＞时,根据轨迹数据随时间的分布规律对轨迹数据进行分层采样,大幅降低查询时间;在k值相同的k,v＞聚合时,对所有k,v＞随机采样,减少资源等待时间,缓解数据分布不均匀的影响。(2)提出一种阈值过滤方法TFiltering(Threshold Filtering)。探索出一种确定阈值的方法,依据立方单元格属性值的分布规律,动态确定阈值T;根据阈值T和单元格属性值选择热点候选集,将属性值从大到小排序,取最大的top-T个立方单元格作为热点候选集,仅计算热点候选集中立方单元格的热度值,减少计算浪费,从而提高时空热点查询效率。本文采用Spark2.1.0分布式计算框架,对2015年纽约市出租车轨迹数据进行实验。实验表明,本文所提出的优化方法在保证查询结果准确率情况下能大幅度降低查询响应时间。