随着越来越多基于地点位置服务的产品得到应用,轨迹数据的体量也与日俱增,轨迹数据变成了一种常见的数据类型。面对海量的轨迹数据,如何有效地对其进行挖掘分析成为了事关重要的问题。轨迹数据具有很多不同于其他数据类型的基本特征:1)时序性:轨迹是由传感器或定位装置在相同或不同的时间间隔下采集到的地点坐标信息;2)空间差异性:轨迹数据是有差异地分布在区域空间中;3)时空紧耦合:轨迹数据同时具有时间与空间上的特性,且时间和空间的关系极其紧密;4)结构复杂:通常来说轨迹之间长度不一,采样频率也会有差异。本文以时空轨迹数据为对象,研究对其有效的聚类和异常检测算法。在所有轨迹挖掘技术中,轨迹聚类和异常轨迹检测占有重要地位。通过对轨迹数据聚类和异常轨迹检测可以发现轨迹中存在的相似或异常的运动模式,进而为实际的应用诸如交通流量监控、地点热区发现和用户行为模式发现提供有效信息。本文中主要包含两个研究内容。第一,针对现存技术简单地将时间序列的算法迁移到轨迹数据上或者只考虑轨迹几何空间上的相似性,未能提出一种能够良好结合轨迹时空信息对轨迹进行表征和距离度量的方法,本文提出基于度量学习的轨迹聚类算法,它能有效提取轨迹时间和空间的相似性信息,并在相似空间中迭代地优化轨迹图谱聚类结果和轨迹之间的度量函数,从而最终得到轨迹特征向量、轨迹度量函数和轨迹聚类结果;第二,针对全局异常轨迹检测问题,提出基于密度聚类的异常轨迹检测算法。该检测算法首先提取轨迹的上下文相似性信息,从而构造轨迹特征表示,然后通过密度聚类的思想发现全局异常轨迹点,最后提出了基于核密度函数的异常评分因子,通过该异常因子对全局异常轨迹进行打分排序,查找出全局Top-N的异常轨迹。