田智慧，马占宇，魏海涛

（1.郑州大学信息工程学院，郑州 450001；2.郑州大学地球科学与技术学院，郑州 450052）

0 概述

近年来，数据挖掘、无线通信、移动定位等技术发展迅速，持有GPS定位信息的移动设备以及基于位置信息服务（Location Information Service，LBS）的终端应用产生了海量时空轨迹数据［1］。这些时空数据蕴含着丰富的语义信息，可用于提取移动对象的运动特征模式和预测移动对象的运动行为［2-4］，已成为目前空间数据挖掘方面［5-7］的研究热点。轨迹大数据可以分为两大类：一类是由出租车以及其他携带GPS交通工具生成的坐标序列；另一类是移动物体利用特殊装置（如信号基站、连接WiFi信号）而产生的带有时间戳的地点坐标序列［8］等。这些轨迹数据包含行人的出行规律［9］、交通拥堵规律［10］和社会活动模式等信息。轨迹聚类的目的是挖掘轨迹大数据的移动模式，通过分析聚类结果得到移动对象的出行规律。其中，研究出租车轨迹聚类对城市规划和管理、出租车调度以及城市发展具有积极意义。

文献［11］提出了移动微聚类（Moving Micro Clustering，MMC）的概念，通过应用BIRCH算法中的微聚类思想来改进移动对象的聚类过程，并利用聚类特征描述MMC的特征信息。文献［12］对OPTICS算法加以改进，提出一种基于时间维度的T-OPTICS轨迹聚类算法。该算法增加了轨迹的时间语义信息，提高了聚类结果在时间维度的准确性。文献［13］构建分段及归组轨迹聚类框架TRACLUS，利用提取到的轨迹特征点将轨迹分为多段，使粒度更细致，在此基础上利用DBSCAN聚类算法再进行归组，以避免丢失部分轨迹信息。……