伴随数字技术时代的到来,基于智能计算（如人工智能和机器学习）的大数据分析与挖掘技术受到了高度关注。从海量的移动轨迹数据中挖掘有趣的、隐含的、先前未知的、有价值的模式或者知识具有重要的理论意义和应用价值。尤其是,在交通领域探寻大规模移动轨迹数据之间蕴含的有意义的统计规律以及挖掘基于乘客出行受到的欺诈行为（异常的移动轨迹）。本文以时空特征挖掘与异常轨迹检测为主要研究内容,旨在于细粒度地分析乘客出行的时空特征分布规律,动态感知城市交通状况,实现基于司机绕行异常轨迹的高效检测,提升居民出行体验,进而为居民出行、客运服务、道路交通规划等提供理论基础与技术支撑。本文研究的主要工作及创新性如下:1.数据预处理:针对移动轨迹大数据在挖掘分析中存在的问题,对移动轨迹数据进行数据预处理。首先,对原始轨迹数据集进行经纬度和行驶状态的过滤以及重复值和缺失值的删除等预处理工作。其次,根据车辆的行驶状态提取出基于载客状态下的行驶轨迹。最后,基于高精度的隐马尔可夫模型的地图匹配算法,通过与路网数据相结合,将轨迹数据映射到实际道路中。2.时空特征挖掘:针对移动轨迹大数据（如出租车GPS轨迹数据）在构建智能交通系统中具有重要的社会价值和经济价值,对其进行高效挖掘与深度分析,能为城市交通管控和乘客合理出行提供重要有益的决策参考,提出一种基于伽马分布和聚类分析的时空特征挖掘方法,以分析乘客出行的时间特征、空间特征和时空特征,进而揭示乘客出行模式。首先,发展一个能够完整清晰地识别乘客出行轨迹的信息框架进行数据预处理。其次,构建一种新的分布模型,以准确探寻乘客出行的分布规律。最后,提出一种基于Spark框架的挖掘乘客出行时空特征的分布式聚类方法,以分析不同时段乘客出行的特征变化。案例研究结果表明,出行时长和出行距离呈对数正态分布,以及出行距离尾部与三参数伽马分布高度拟合。3.异常轨迹检测:针对异常轨迹检测效率低、无法准确识别绕路行为的异常轨迹等问题,提出一种基于成本因子的异常得分模型（ASM-CF,Anomaly Score Model Based on Cost Factor）,通过充分考虑轨迹的空间位置差异性和乘客出行的成本差异性,能够较好地适用于司机存在侥幸心理绕行引起的异常轨迹情况。首先,发展一种城市路网栅格化方法,将轨迹以网格序列形式予以表达,并对轨迹进行增强处理,以得到连续的网格序列轨迹,解决行驶相同路径而轨迹点记录不同的问题。其次,提出一种识别出租车司机绕行的异常轨迹定义方法,以准确识别基于绕行的乘客出行异常轨迹问题。第三,构建基于距离和持续时间的成本因子,并通过成本因子建立ASM-CF模型,以提高异常轨迹检测的准确性。最后,案例研究表明,在不同的轨迹对数据集中,ASM-CF模型的F1值分别为0.960、0.977、0.927、0.976和0.993,可以有效地检测轨迹的异常程度,以及准确判别不按正常路线行驶和恶意绕路等异常行为。