张海涛，李济平，罗 城，冀 康，沈慧娴

(1.南京邮电大学 地理与生物信息学院，江苏 南京 210023 2.南京邮电大学 通信与信息工程学院，江苏 南京 210003)

随着通信技术、互联网的发展，提供位置服务智能终端的数量日益增加，产生了大量的移动轨迹数据［1］。将移动轨迹数据与众多行业的专题数据进行集成关联分析以及数据挖掘处理后，能发现含有丰富语义隐喻信息的移动性知识［2－6］。对获取的移动性知识进行研究分析，能为众多行业应用带来有效的辅助决策［7］。同时，移动性知识的分析方法还可为研究人口流动和经济、资源等具有动态变化特征的复杂系统提供重要支撑［8］。

当前对于移动性知识的研究，通常基于时空数据库的概念进行定义，主要包含关联规则［9］、序列模式［10］等简单移动性模式。分析单一的简单移动性知识，不容易找出其中的关联关系和整体结构特性。而基于简单移动性知识间的共同项构建移动性模式网络［11－12］，通过分析网络的结构特征，可以发现移动性模式形成的潜在规律。因此，从移动轨迹数据中挖掘移动性知识并构建复杂网络对于分析产生移动轨迹数据的复杂系统的特性具有重要意义。

目前，国内外学者提出了一些移动性知识复杂网络的构建方法［13］。典型的方法包括：2008年Lacasa等［14］首次提出的基于时间序列构建复杂网络的可视图建网算法。2009年Luque等［15］提出的一种便捷、效率高的水平可视图算法。但是，这两种方法主要应用于时间序列的数据处理，缺乏对数据空间特性的考虑。……