随着定位装备的广泛应用,轨迹数据量高速增长。通用伴随模式挖掘聚焦时空维度上的运动对象高相似度行为路径发现问题,基于大规模轨迹数据设计高效准确地通用伴随模式挖掘方法对发现用户偏好、构建新商业模式等具有重要意义,同时也极具挑战。一方面,海量且不断增长的轨迹数据要求通用伴随模式挖掘框架应具有良好可扩展性,单机挖掘框架并不适用。另一方面,在现有通用伴随模式的分布式挖掘框架中,存在对数据输入的质量、轨迹数据中大量松散连接的处理等考虑不足。这使得通用伴随模式的发现能力和性能存在改进空间。本文针对以上两方面的问题,在大规模轨迹数据的分布式聚类与通用伴随模式挖掘等方面展开深入研究。首先,在数据预处理阶段提出了融合运动方向的密度聚类算法DBSCANCD和聚类平衡算法TCB,为通用伴随模式的分布式挖掘框架提供了高质量数据输入,提高了分布式挖掘框架对通用伴随模式的发现能力。DBSCANCD算法处理所有轨迹数据的每一个相同快照下的聚类问题,在同时考虑对象间的运动方向的前提下对同一快照中的所有轨迹点进行密度聚类,与现有的挖掘框架中普遍采用欧氏距离的密度聚类算法相比,DBSCANCD算法能为通用伴随模式挖掘提供质量更高的输入。TCB算法接受轨迹数据经过DBSCANCD算法处理后的输出作为输入,运用贪婪策略的思想,从完整轨迹上解决了作用于快照级别的DBSCANCD算法无法合理划分聚类边界点的问题,进一步提高了输入通用伴随模式挖掘算法的数据的质量。大量实验表明,DBSCANCD和TCB的结合使用提高了分布式挖掘框架对通用伴随模式的发现能力。其次,在通用伴随模式挖掘阶段设计了G剪枝重划分算法GSPR和分段枚举算法SAE,有效的处理了轨迹数据中大量存在的松散连接现象,提高了分布式挖掘框架对通用伴随模式的发现能力和性能。GSPR算法处理与每一条轨迹形成聚类现象的轨迹簇,利用自定义参数G对轨迹簇中每一条存在松散连接的轨迹进行分割,为轨迹中的松散连接提供了一种有效的解决方案。因此,GSPR算法保证了通用伴随模式挖掘的发现能力。SAE算法接受GSPR算法的输出作为输入。在分布式环境下,SAE算法通过引入多线程最大限度地利用了集群的硬件性能。通过使用前向闭包,SAE算法每次可检查当前状态下是否存在满足要求的最大通用伴随模式,如果存在则可提前输出结果并终止当前线程。因此,SAE算法保证了通用伴随模式挖掘的性能。实验表明,GSPR和SAE的结合使用提高了分布式挖掘框架对通用伴随模式的发现能力和性能。最后,基于DBSCANCD、TCB、GSPR和SAE四个算法,在分布式计算平台Spark的基础上,设计了通用伴随模式的分布式挖掘框架DMFUCP,充分利用了Spark在内存计算方面的优势。DMFUCP框架在挖掘通用伴随模式任务中提供了优于现有框架的发现能力和性能。大量实验证明,相比现有的通用伴随模式挖掘框架,DMFUCP框架在具有更好的通用伴随模式发现能力的同时,将挖掘每组通用伴随模式的时间消耗降低了20%～40%。