基于位置服务的技术和通信技术的发展,使移动实体轨迹数据的快速采集成为可能。随着智慧城市的发展,大量的轨迹数据被应用于城市规划、交通和环境管理等不同的领域。对这些轨迹的分析主要集中于人类移动模式的发现,轨迹数据的可视化分析能够直观地展示轨迹数据的时空变化以及挖掘轨迹数据移动模式。然而,复杂且庞大的轨迹数量给数据可视化带来了挑战。传统的可视化方法由于可视化结果中轨迹路径的相互遮挡变得不再适用,所以采用合适的聚合方法对轨迹数据进行简化显得尤为重要。本文以一个工作日内的北京市手机信令数据为研究对象,提出了一种基于代数多重网格的轨迹简化方法,然后对简化后的轨迹数据进行流向图(flow map)可视化,进而对北京市人类移动模式进行分析。本文的优势在于与传统轨迹简化所采用的空间聚类方法(如k均值聚类,DBSCAN聚类)对比,减少了数据参数调整带来的不确定性,同时能够构建轨迹简化数据的多尺度表达。其主要研究内容如下:首先进行数据清洗以及停留点提取,然后将用户轨迹分段为不同手机基站的起点和终点对(OD links),引入图论(graph theory)知识,将轨迹节点看作顶点(nodes),轨迹之间的连接看作边(edges),构建基于城市轨迹的复杂网络。利用复杂网络中的出入度概念统计北京市不同轨迹点的出入度值,这一指标反映的是不同轨迹节点在一天之中的访问热度,这是最直接体现轨迹节点重要度的参数之一;其次在边的关系中考虑距离衰减效应,即空间交互随着距离增加而减少,从而度量不同相邻轨迹点之间的空间关系。其次,利用代数多重网格(AMG)这一数学迭代方法,实现轨迹数据网络的重要节点提取步骤。根据AMG算法中的强连接点的概念,将轨迹按照距离和出入度值两个变量构造强度矩阵,进而在不同尺度上筛选出轨迹网络中强连接的部分,也就是在空间访问量和空间距离上都有优势的基站点。这些具有空间代表性的节点就是城市中的重要节点,利用它们进行voronoi空间分割,在地理空间的尺度对城市进行简化,从而达到轨迹聚集的效果。经过与传统PageRank和度中心性方法的对比发现,由于AMG方法中强连接点的定义与出入度成正比,与距离成反比,且节点选择兼顾空间代表性,所以AMG方法保留的重要节点的评价结果优于另外两种方法。最后利用经典的流向图方法对聚集后的轨迹数据进行可视化。在设计流向图时,采用了不同的数据展示方法。首先对整体聚合数据进行无方向的流向展示,即保留空间分割后不同区域之间的轨迹访问流量,但不区分流动方向,对比不同区间内的流量大小。然后按照起始区间设计出带有方向和箭头指示的流向图,按照轨迹边的宽度对比任意两个区域之间往返的流量的差值。为了减少轨迹数据线之间的遮挡,在设计上采用了颜色渐变和单向箭头的理念来来减少轨迹之间的遮挡。与此同时,为了分析不同时间段内的轨迹变化模式,本研究根据一天内的轨迹基站激活曲线以及工作日上下班模式对时间进行了划分,共分为早高峰,白天活动时间,晚高峰以及深夜时间段四个部分。通过对比不同时间段内的流向图,可以分析出北京的人流移动模式符合社会经济结构,即白天活动高于夜间,且北京中心城区作为城市的核心地段,承担着城市枢纽作用,人群在白天汇集晚上消散,分析结果进一步验证了本研究采用的轨迹简化方法的有效性。