出行在现代人的日常生活中扮演重要作用,通过研究人们运动轨迹中的时空特征可挖掘出用户的出行规律,尤其是对于车辆轨迹的研究可以获得车辆在多个特定时间段内的移动特点等,与移动对象相对应的网络属性标签结合可推断出作息规律、兴趣爱好、生活习惯,路线偏好等重要信息,对于理解移动对象的行为模式、提供高精准度的智能推荐等都具有很高的应用价值。针对移动轨迹频繁模式挖掘相关问题,本课题研究了移动轨迹的语义化处理,语义轨迹压缩和基于语义轨迹频繁模式挖掘算法。首先,分析了原始轨迹因为采集环境等原因存在数据冗余,噪点多的特点,提出基于语义轨迹的压缩合并方法。在保证有价值信息不丢失前提下尽可能提升压缩比,以达到最大程度简化轨迹。然后提出一种基于语义树的聚类方法。本文基于语义轨迹提取出停留点,分析得到该类语义标签可以通过树结构进行编码,通过改进莱温斯坦距离得到一个归一化的度量标准。并通过该度量标准来开展聚类工作。后期实验证明,该聚类是可行的,通过控制适当的参数,如范围阈值,可得到合理的聚类结果。最后提出了RGP频繁模式挖掘算法,首先找出频繁1项集和2项集,依据语义轨迹的频繁特征和连续特征进行合理的大幅度分枝剪枝处理,这种剪枝处理为后期的数据挖掘带来了很好的效率提升。在数据规模较大,数据密集的情况下,进行深层次的迭代运算十分消耗计算能力,本算法将长项集的频繁迭代计算转换为分集合运算,从而求出频繁序列和子集,并利用并行化处理思想,使用spark并行计算框架,实现了移动轨迹频繁模式的挖掘。对比实验证明本算法具有较好挖掘效率,可以实现在基于个体数据研究的基础上,对多用户地理关系进行挖掘。