基于时空轨迹的移动对象运动模式识别是时空轨迹数据挖掘的一个重要部分,旨在通过移动对象的轨迹数据,识别出移动对象处于何种运动模式,如步行,坐公交等。运动模式识别在交通出行推荐、个性化广告推荐、轨迹检索、健康生活规划等方面具有重要应用价值。现存的运动模式识别算法中提取的轨迹特征大多数为运动特征,忽略了轨迹出现的重要位置特征(如公交站台等)。本文针对现存算法的不足,对运动模式识别算法从有效性与效率上进行改进,取得以下研究成果:1.提出了一种顾及停留点特征的移动对象运动模式识别算法。该算法考虑到轨迹中停留点出现的重要位置信息对运动模式识别的作用,提取轨迹停留点特征。该算法分为训练阶段与测试阶段。在训练阶段中,首先提取每条训练轨迹的运动特征,然后提取所有训练轨迹中的停留点,挖掘停留点簇规则与路径规则。基于这些规则为每条轨迹生成停留点特征。最后结合运动特征与停留点特征形成轨迹特征,建立分类器。在测试阶段中,通过停留点簇规则与路径规则为测试轨迹提取停留点特征,结合测试轨迹运动特征,使用分类器分类。实验表明,该算法可以取得更高的识别精度。2.提出了一种顾及停留点特征的移动对象运动模式在线识别算法。该算法分为离线训练、在线训练以及测试三个部分。离线训练阶段、测试阶段与上述算法相似,在线训练过程基于原停留点簇规则、路径规则以及分类器,使用新增训练轨迹,更新规则与分类器,使得规则与分类器具有更强的运动模式识别能力。该算法针对不断到来的新的训练轨迹,实时更新分类模型,以提高识别精度。实验表明,该算法与离线算法相比具有更好的扩展性。3.提出了基于上述两种算法的并行运动模式识别算法,并将并行算法利用Spark平台加以实现。将计算任务分布到多台机器上并行执行,在大数据环境下提高了运动模式识别算法的运行效率。利用真实数据集进行实验,实验表明随着数据集的增大,并行算法的运行效率高于单机算法。随着计算节点的增加,本文提出的算法具有良好的可扩展性。