陶 健，王 睿，秦晓安，殷西祥

随着车载智能终端设备、定位技术和存储技术的快速发展，车辆轨迹数据的收集存储得以实现.如何有效分析利用这些轨迹数据，成为数据挖掘者研究的热点问题［1-3］.其中，停留点作为车辆轨迹中隐含的重要信息，表示用户经常出没的、带有重要语义信息的地区，如餐馆、景点等；提取停留点能为车主日常出行、位置信息搜索、观光浏览等提供辅助决策，同时也是构建位置服务个性化推荐系统的基础.

轨迹数据挖掘的早期研究主要针对时间、几何特性，并未考虑空间特性；其中有关停留点提取的算法大致分为三类：基于时间的聚类算法、基于密度的聚类算法，以及分割聚类算法.

关于时间聚类算法，KANG［4］根据轨迹点的时间连续特性，通过时间阈值和距离阈值设计了基于时间的聚类算法；LV 等人［5］考虑到由于高楼遮挡造成GPS 信号损失使得轨迹不连续问题，在时间聚类算法上增加容忍距离阈值对形成的相邻聚类区域进行判断是否需要合并；MONTOLIU 等人［6］考虑连续位置点缺失造成停留点误判问题，在时间聚类算法上增加时间差阈值对相邻位置点进行聚类判别；侯颖超等人［7］考虑车辆行驶在户外，且不存在长时间信号缺失现象的问题，在时间聚类算法上增加速度阈值对候选停留点进行过滤.虽然时间聚类算法能够发现长时间停留的停留点，但是对时间阈值要求较高，而车辆轨迹中出租车轨迹更多的是短暂……