随着GPS/北斗定位技术、车联网技术、5G等先进前沿信息技术的飞速发展,海量的交通时空轨迹大数据得到了迅速积累,其蕴含着极其丰富且有价值的潜在交通出行演化规律,为道路智能交通系统研究带来了新的发展机遇,使缓解交通拥堵、尾气污染等成为了可能。无论是在聚类、分类,还是模式识别等交通时空轨迹数据挖掘热点上,时空轨迹相似性计算是最核心、最关键研究之一。因此,如何充分、快速、有效地进行交通轨迹大数据相似性检索及挖掘分析已成为国内外科学研究热点与难点之一。为此,本文主要围绕面向交通轨迹大数据的相似检索及挖掘分析开展研究,并重点研究了基于交通轨迹大数据语义级联可扩展下界距离的相似轨迹检索方法及面向交通轨迹大数据潜在语义信息的出行偏好挖掘分析研究,进而探索了挖掘交通内在行为模式及驾驶行为动机。具体研究工作包括:(1)交通轨迹大数据向量表示与相似性建模。交通轨迹数据是一种在时间域与空间域均离散的时空序列-图结构数据,与一般的时空数据相比,具有显著的方向依赖性、空间约束性、时空异步性以及时空分布非平稳性等特性,使其存在模型表示缺乏语义、兴趣模式获取困难及模型难以进化等问题。因此,本文深入研究了交通轨迹大数据的采集处理流程、基本性质及时空分布特征,并提出了一种轨迹网格向量建模方法,为进一步交通轨迹大数据挖掘分析研究奠定了坚实基础。(2)基于语义级联可扩展下界距离函数的相似轨迹检索方法。为降低DTW时空复杂度及提高检索效率,本文创新性地设计了一种可扩展下界距离函数,并提出了一种首尾并进策略实现快速检索;进一步地,在进行相似轨迹检索过程中,针对交通轨迹大数据潜在语义特性,引入了共轭语义轨迹概念,并重点研究了早期丢弃策略和限制空间搜索策略,按照各下界距离时空复杂度从低到高原则进行串联,进而形成一种语义级联可扩展下界距离函数的相似轨迹检索算法,有效解决了在海量的时序数据检索过程中存在的计算量大、耗时长等问题,显著提高了运行效率,并在真实数据集上验证了该算法的可靠性和有效性。(3)面向交通轨迹大数据潜在语义主题分布的出行偏好挖掘分析。为挖掘海量的时空轨迹大数据中蕴含着的极其丰富且有价值的潜在出行规律信息,构建了交通轨迹大数据潜在语义信息主题分布挖掘模型,为驾驶员出行偏好挖掘分析提供了一种新思路;为避免驾驶员在出行过程中局部特征的丢失,提出了一种基于共轭语义轨迹检索的地理周期旅行事件提取算法,通过将共轭语义轨迹检索算法与主题模型相结合,完全保留了驾驶员整个出行轨迹的内部特征,实现了车辆出行模式和动机意图的挖掘分析。