随着卫星定位技术以及无线通讯技术的迅速发展,移动对象上安装的移动定位设备也越来越多,GPS轨迹数据的获取也变得越来越容易,由此也产生了海量的轨迹数据,如何大量轨迹数据中挖掘有价值的信息已变得非常重要。目前,较为热门的轨迹数据挖掘方向为轨迹聚类,通过轨迹聚类,发现这些移动对象的运动规律及行为特点,为商业决策及城市发展规划提供一些参考。出租车作为城市交通的重要组成部分,其轨迹数据具有分布广、数据量大和易获取等特点。同时,出租车作为人们交通出行的重要选择,其数据可以很好的反应人们的出行规律。本文以北京市2012年的出租车数据为例,通过对轨迹数据处理、轨迹相似性度量及轨迹聚类的方法理论研究,对数据进行了筛选、降噪及压缩等数据处理工作,然后对比不同的轨迹相似性计算方法,结合出租车轨迹特征,选取合适的距离度量方案,计算轨迹间的相似性距离,最后依照相似距离对轨迹数据进行聚类,从中分析城市的热点路径。本文的具体研究工作如下:(1)基于出租车轨迹的高精度压缩算法本文在轨迹数据的处理中,除了对轨迹数据进行降低数据精度、筛选轨迹数据及子轨迹划分等操作外,还对Douglas-Peucker轨迹压缩算法进行了改进,在轨迹压缩算法中加入对坐标的转换,使之能压缩GPS轨迹数据。在轨迹压缩过程中,加入对噪声数据的识别及删除操作。实验证明,改进后的压缩算法,在进一步提高压缩效率的同时,很好的保留了轨迹形状,保证了数据的精准性。(2)基于出租车轨迹的快速搜索聚类算法针对基于密度峰值的快速搜索聚类算法中关于截断距离选取相对不合理的问题,本文参考数据域中参数的确定方法,结合出租车轨迹数据特点,对基于密度的快速搜索聚类算法进行改进,通过势能熵的方式确定更加合理的截断距离。实验证明该方法可以很好的完成聚类中心的选取。(3)城市热点路径分析本文通过对比不同轨迹相似性度量的聚类结果,发现更适合本文的轨迹相似性度量方案SSPD。通过对不同时间段内的轨迹数据进行聚类,分析城市热点路径,挖掘人们的出行规律,发现城市热点载客路径,便于有关部门更加合理的分配交通资源。