随着互联网技术的普及和定位技术的不断发展,越来越多的轨迹数据在连续不断地产生。这些轨迹数据蕴含着丰富的信息,能够用于许多城市应用,例如:违章停车检测、车流分析预测、空气质量分析以及可达区域分析等。为充分利用这些轨迹数据,我们首先需要对这些轨迹数据进行有效的管理。然而,由于轨迹数据量通常非常大、更新频率很高、内在结构复杂、查询模式独特,要高效管理轨迹数据非常困难。传统的关系型数据库,例如My SQL Spatial、Post GIS、Oracle Spatial等,为支持时空数据（包括轨迹数据）的管理做了一些优化,然而它们通常会面临着扩展性不足的问题,即当轨迹数据量大于1T时,系统通常难以应对。一些分布式大数据系统例如Spark、Hadoop、HBase等能够存储和处理超大规模的数据,然而这些系统没有内建的时空索引,因此无法高效地支持时空轨迹的查询和分析。一些研究工作基于分布式大数据组件构建了轨迹数据管理系统,但是大部分的这些系统只提供非常有限的轨迹分析函数,无法满足复杂的上层应用;此外,对于轨迹存储它们没有专门做一些优化,因此可能存在效率问题;更进一步,这些系统使用门槛较高,业务开发人员通常需要查阅很多用户手册,编写大量代码。为便捷、高效地管理海量轨迹数据,构建海量轨迹数据与上层应用的桥梁,本文基于开源的时空索引组件Geo Mesa,构建了一个完备的基于NoSQL的分布式轨迹数据管理和分析系统,称为Traj Mesa。Traj Mesa具有扩展性好、效率高、支持多种轨迹查询、允许轨迹更新、使用便捷等特点。主要研究内容和创新点总结如下:（1）设计并实现了多种分布式轨迹预处理操作,包括轨迹噪声过滤、轨迹驻留点检测、轨迹分段、轨迹地图匹配。这些预处理操作不仅在很多应用场景都非常重要,而且对本文后续的轨迹存储索引的设计也很必要。通过分布式的实现,Traj Mesa能够更快地实现更大规模的轨迹预处理操作。（2）设计了一种新的基于NoSQL的轨迹底层存储机制。传统的方法将每个GPS点存储为一条记录,难以对轨迹数据进行压缩,也无法表示整条轨迹的信息,导致无法高效支持许多轨迹查询。本文将一条轨迹的所有GPS点存储在一起,更加有利于轨迹压缩,减少磁盘空间占用的同时,加快查询存储效率。将轨迹的所有GPS点存储在一起,每条记录就包含了轨迹的所有信息,更加方便多种轨迹查询。实验表明,新的存储方式相对于传统的存储方式,存储空间大小减少了80%,索引时间减少了88%,查询效率提高了1?2个数量级。（3）为支持不同的轨迹查询,设计了多种查询优化算法。针对NoSQL不适合存储时间段的问题,设计了一种新的时间段索引方法XZT,可以在毫秒级别支持上TB数据量级的ID时间范围查询。针对轨迹MBR无法精确表示轨迹位置,以及现有XZ2索引不精确的问题,提出了一种轨迹签名方法和XZ2+索引,让轨迹空间范围查询性能提高4%?20%左右。针对相似轨迹查询,提出了MBR剪枝、起止点下界剪枝、签名下界剪枝策略,在本文的实验环境中,Traj Mesa相似轨迹查询比Dita轨迹管理系统快2?3个数量级。针对k邻近查询,提出了区域剪枝、MBR下界剪枝、签名下界剪枝策略,在本文的实验中,Traj Mesa相较于Dita和DFT方法在小数据量情况下,k邻近查询效率提高了50%,在大数据量的情况下,k邻近查询效率提高了1?2个数量级。此外,Traj Mesa比Dita和DFT的扩展性更强,能够轻松处理大规模（大于1T）的轨迹数据,而Dita和DFT在本文的环境中,当数据量大于70GB时,抛出内存异常错误。提出了一种基于后缀树索引的路径时间范围查询方案,相较于倒排索引方法,本文提出的方法树高度为3时有近30%的效率提升。（4）设计并实现了一套完整的轨迹SQL引擎。为了让Traj Mesa更好地支持上层应用,提高系统的易用性,Traj Mesa定义了多种SQL语句类型,对于每种类型,实现了解析器、优化器和执行器。在Traj Mesa中,所有的功能都可以通过一句简单的SQL语句实现,这减少了Traj Mesa的使用门槛。正因为Traj Mesa的高效性、可扩展性和易用性,许多基于Traj Mesa的应用均已在实际生产环境中部署。（5）实现了一个基于Traj Mesa的轨迹分析应用案例。该案例首次使用轨迹拼接技术找到城市中任何一个地点一段时间内能够到达的区域。通过良好的索引设计,能够在毫秒级别快速响应可达区域范围查询请求。相较于静态路网扩张的方法,本文提出的方法能够实时捕捉当前的交通状况信息。相较于车速评估算法,本文提出的方法覆盖度更高。