随着移动互联网、位置信息获取等技术的进步和发展,很多带有定位设备的装置(比如车辆、船舶等)产生了大量的移动目标数据。当前,时空数据的轨迹相似性挖掘研究已经成为了数据挖掘的热点研究方向之一,它对于用户个性化路线推荐、道路交通优化、气候变化规律分析等都具有十分重要的意义。轨迹相似关系挖掘是指通过不同的轨迹匹配度量方法计算轨迹之间的匹配程度,它是轨迹聚类、轨迹异常检测、轨迹-用户链接关系挖掘等一系列问题研究中最关键的方法之一。通过轨迹相似关系挖掘,可以很形象的刻画时空数据中轨迹与轨迹之间的关系,为把握分析对象的特性提供更好的参考依据。本文充分利用目前深度学习技术在语义特征提取分析方面的技术优势,重点研究了轨迹相似关系挖掘问题,及其在轨迹-用户链接关系中的应用和优化。本文的创新性主要体现在:1.本文提出基于深度学习的轨迹语义信息表征的方法,其中语义信息包括轨迹中的序列依赖性、时间规律、位置偏好等特性,该方法以轨迹的POI(Point of Interest)位置序列信息为输入,通过基于LSTM(Long Short-Term Memory)的方法对POI位置序列做向量表征,使用表征的向量来判断轨迹和轨迹之间的相似关系。同时利用轨迹和轨迹之间的相似关系提出TULSN(Siamese Network for Trajectory-user Linking)模型解决了大规模的时空数据由于隐私性原因所造成的难以准确进行轨迹和用户链接的问题,该方法分为训练和分类两个部分。通过训练使得同一个用户产生的POI位置序列信息的嵌入表征接近,不同用户的POI位置序列信息的嵌入表征远离;通过KNN(k-Nearest Neighbor)的方法找到与已知用户轨迹最相似的轨迹判断未知轨迹的用户。论文在两个公开数据集上进行实验,评估TULSN模型的性能,实验结果表明,与已有的轨迹-用户链接相比,TULSN模型在识别轨迹的用户准确率上提升了18.72%。2.本文针对时空数据规模较大,难以高效地查找相似轨迹以及不同位置点对轨迹之间相似关系影响不同的情况,提出基于self-attention的方法,获得可以用于区分轨迹目标最重要的POI点,并为其赋予更高的权重,提高了轨迹语义相似性计算的准确率;同时为了提升大规模时空数据中相似轨迹检索效率,引入了deephash的方法,将基于深度学习得到的轨迹嵌入表征进行了简化,提高了搜索效率。实验结果表明,改进后的TULSN方法在准确率和效率上都优于改进前的TULSN方法。