2024年4月20日发(作者：)
轨迹大数据：数据、应用与技术现状
许佳捷;郑凯;池明旻;朱扬勇;禹晓辉;周晓方
【摘 要】移动互联技术的飞速发展催生了大量的移动对象轨迹数据.这些数据刻画
了个体和群体的时空动态性,蕴含着人类、车辆、动物的行为信息,对交通导航、城
市规划、车辆监控等应用具有重要的价值.为了实现有效的轨迹数据价值提取,近年
来学术界和工业界针对轨迹管理问题开展了大量研究工作,包括轨迹数据预处理,以
解决数据冗余高、精度差、不一致等问题;轨迹数据库技术,以支持有效的数据组织
和高效的查询处理;轨迹数据仓库,支持大规模轨迹的统计、理解和分析;最后是知识
提取,从数据中挖掘有价值的模式与规律.因此,综述轨迹大数据分析,从企业数据、企
业应用、前沿技术这3个角度揭示该领域的现状.
【期刊名称】《通信学报》
【年(卷),期】2015(036)012
【总页数】9页(P97-105)
【关键词】时空数据库;轨迹数据管理;数据索引;查询优化
【作 者】许佳捷;郑凯;池明旻;朱扬勇;禹晓辉;周晓方
【作者单位】苏州大学计算机科学与技术学院,江苏苏州215006;江苏省软件新技
术与产业化协同创新中心,江苏南京211102;苏州大学计算机科学与技术学院,江苏
苏州215006;江苏省软件新技术与产业化协同创新中心,江苏南京211102;复旦大
学计算机科学技术学院上海市数据科学重点实验室,上海201203;复旦大学计算机
科学技术学院上海市数据科学重点实验室,上海201203;山东大学计算机科学与技
术学院,山东济南250101;苏州大学计算机科学与技术学院,江苏苏州215006;江苏
省软件新技术与产业化协同创新中心,江苏南京211102
【正文语种】中 文
【中图分类】TP392
1 引言
随着卫星导航、无线通信、普适计算技术的不断发展，带有定位功能的移动智能设
备被广泛使用。人们在使用这些设备的同时也主动或被动地记录了大量的历史移动
轨迹并被持久化保存，形成了时空轨迹（spatio-temporal trajectories）数据。
时空轨迹是地理空间加上时间轴所形成的多维空间中的一条曲线，可以表示移动对
象在一段较长时间范围内的位置变化。每条轨迹由一序列时空采样点构成，其中每
个采样点记录了位置、时间、方向、速度、甚至人与社会交互活动等信息，刻画了
人们在时空环境下的个体移动和行为历史。从宏观角度来看，海量的轨迹数据中不
仅蕴含了群体对象的泛在移动模式与规律，例如人群的移动与活动特征、交通拥堵
规律等，还揭示了交通演化的内在机理。在大数据时代，企业级的轨迹数据采集、
存储已经普遍达到相当规模并得以有效利用。人们通过轨迹分析等手段进行知识发
现，并将它们运用在各种交通和位置服务应用系统中，包括交通导航、城市规划、
服务推荐、军事调度、交通指挥、物流配送、车辆监控等。
高质量的轨迹数据具有重要的社会和应用价值，不仅为解决交通拥堵、改善交通服
务、监控道路环境、缓解能源紧缺等社会问题提供了新的机遇，而且对认知人们的
社会活动、优化公共资源配置有着特殊意义，成为各政府与企业的重要财富并受到
广泛重视。在此背景下，轨迹大数据管理被学术、工业界大量研究，轨迹数据分析
与挖掘已经成为数据挖掘领域的一个重要的新兴分支。工业界和学术界针对大规模
轨迹数据存储与分析技术开展了大量的理论和系统探索工作，包括轨迹预处理、索
引、查询优化、轨迹分析与挖掘等。这些成果的使用显著提升了政府管理、社会服
务、企业盈利能力，并深入影响了人们的生活方式。但是随着数据规模的指数级增
长，应用需求的飞速提升，现有的轨迹数据存储、计算和分析方法面临诸多局限，
亟需突破轨迹数据的处理架构、分布式算法等关键技术。
本文将从轨迹分析的需求入手，从数据、应用、技术3个方面阐述该领域现状和
发展。在数据方面，介绍轨迹数据的类型、规模、频率等指标，并分析它们对轨迹
数据管理的影响；在应用方面，将介绍各种轨迹数据的典型应用及其场景，并分析
其现状和发展趋势；在轨迹管理技术方面，将分类介绍轨迹数据存储与分析领域的
科学问题和前沿技术，最后展望大数据环境下的轨迹管理技术存在的问题和发展方
向。
2 企业级轨迹数据现状
卫星定位和移动互联技术在近年来的快速发展催生了海量的轨迹数据。它们记录了
移动对象在时空环境下的位置采样序列。轨迹数据的来源多样复杂，可以通过车载
GPS、手机服务、通信基站、公交卡，甚至通过射频识别、图像识别、卫星遥感、
社交媒体数据等不同方式获取，不同的回传轨迹遵循不同的数据格式和坐标系统。
同时，轨迹数据以极快的速度产生并呈指数级增长，调查显示导航服务公司所接入
的移动对象数量可达千万，以高速数据流的形态进入存储和处理系统。轨迹数据的
一些关键属性（例如更新频率、数据总量、每日增量、时空分布等）对数据处理和
分析平台搭建有着直接的影响。
本文首先介绍不同采集方式下真实的企业轨迹数据。表1汇总了不同应用中由
GPS、地图服务、基站、公交卡、道路卡口所采集的轨迹数据及其关键属性。在企
业应用中，对象采样频率在秒级、分钟甚至小时级不等，每天所采集的轨迹数据在
千万至百亿个采样点的规模区间，最终积累成为TB甚至PB规模的轨迹数据。其
中基站定位的轨迹精度较差，通过CellID所对应的基站坐标转换获取位置信息，
因此精度通常在数百米误差范围。而车载GPS和地图APP所采集的轨迹采样精度
较高，误差通常在数米以内。轨迹库已经成为各大地图、导航等服务公司的重要数
据资源，单库的原始轨迹规模通常在百亿条以上。目前已经有一些公开的真实轨迹
数据集可用于研究工作，如GeoLife、T-Drive等。
由表1可知，轨迹数据继承了大数据的经典“3V”特征，即量大（volume）、实
时（velocity）、多样（variance）。此外，移动对象轨迹数据库的一些特有特征
可以总结如下。
表1 代表性轨迹数据images/BZ_38_250_2618_2241_车辆轨迹 车载
GPS 秒级、分钟级 千万-亿级 TB级移动轨迹 地图APP 秒级、分钟级 千万-百
亿级 TB、PB级手机轨迹 蜂窝基站 分钟级 十亿-百亿级 TB、PB级公交轨迹
公交卡 小时级 百万-千万级 TB、PB级卡口数据 卡口抓拍 分钟级 千万级别
TB级行为轨迹 社交媒体 分钟、小时级 百万-千万级 PB级
1)时空序列性。轨迹是时空环境下的采样序列，这些轨迹点序列蕴含了对象的时空
动态性，数据操作是以序列为基本单位，显著加大了搜索与分析的处理复杂度。
2)异频采样性。轨迹的采样间隔差异显著，从导航服务的秒级或分钟级采样，到社
交媒体行为轨迹的小时甚至以天为间隔的采样，这种差异性极大影响了轨迹的相似
性度量与分析。
3)数据质量差。由于连续的运动轨迹被离散化表示，特别是当采样间隔达到数分钟
以上或设备的采样精度较差时，位置不确定性对轨迹数据分析构成极大挑战。
4)路网相关性。在交通类应用中，轨迹的运行状态通常限于交通路网，因此数据分
析需要首先完成GPS空间向路网空间的映射，并利用路网的时空拓扑信息优化数
据处理。
综上，轨迹数据语义丰富，蕴含着各种移动对象的时空和行为信息，被广泛应用在
诸多企业级应用中。而轨迹数据的上述特征给轨迹数据处理与分析提出了一系列要
求与挑战。
3 企业级轨迹应用
轨迹数据记录了人类的活动和行为历史，蕴含了群体性的移动模式和规律。如表2
所示，轨迹数据搜索与分析已经被广泛应用在智能交通、位置服务等系统，具体应
用主要包括以下几方面。
1)大众化经验路径推荐。路径搜索和导航服务的核心挑战是难以在实时综合各种因
素有效地评估并搜索路径。一些地图服务公司借助轨迹分析手段改进路径推荐策略，
从大规模轨迹中提取泛在的移动模式，并挖掘不同环境下的高质量“经验”路径，
根据实时的背景模式匹配（例如根据气候、车辆类型、交通、匝道开放状态等因
素），为用户推荐更为合理、多样化的经验路径，结果显示用这种方式显著提升了
用户体验。
2)交通路况预测。通过轨迹流统计的方式评估不同区域的进出流量，检测施工或故
障路段，获取实时的交通态势，为用户提供道路预警；通过轨迹数据分析来深入理
解交通路况特征和拥堵的演化模式，综合运用历史事件、时空、活动、天气等多维
信息，辅助构建数据驱动的城市交通指挥体系，做到指挥决策的先知先觉，警力的
优化部署，指挥调度的及时主动；以此引导智能化的交通导航，为导航用户提供准
确的行驶时间预测，并根据用户对到达时间的要求推荐路况敏感的合理出行时间。
3)城市规划。通过轨迹计算来分析城市不同区域的社会功能、热度特征，确定这些
城市区域的性质、规模和发展方向，提炼城市内、城市间的交通流模式。这些信息
被用于指导城市开发、建设和管理，使有关部门能够合理利用土地资源，协调城市
的空间布局，为城市建设、重大施工提供决策辅助；为机构、商家和各类活动的选
址需求提供解决方案；优化城市公交、地铁等公共服务线路。
4)个性化服务与活动推荐。社交媒体中的轨迹数据记录了用户的位置行为，能够更
加深入地分析轨迹，包括对轨迹行为的理解、用户特征的刻画、用户行为模式的挖
掘等。针对用户对多个目的区域的活动描述，搜索引擎将为用户推荐能够满足查询
意图的商家或个性化的服务与活动；考虑轨迹行为和用户体验（基于情感分析），
为观光旅客推荐符合用户兴趣和个性化景点、路线。根据用户的驾驶路线推测目的
地和出行意图，进行基于位置的精准广告投放。
5)出租车服务。轨迹数据被用来监控出租车的行驶路线，提供对绕路欺客等现象的
检测功能。通过对海量出租车轨迹的分析，系统可以为空驶的出租车优化行驶路线
（避免交通拥堵区域、最大化行驶中遇到客户的概率）；为行人提示就近的有效打
车地点，以及实时的、最优的公共交通出行路线。一些企业尝试通过轨迹挖掘寻找
具有相似出行模式的用户，实现智能拼车等个性化推荐。
表2 代表性轨迹分析应用images/BZ_39_235_2590_2227_大众化经
验路径推荐 出租车GPS轨迹、私家车移动轨迹数据、气象数据、交通路网数据、
历史事故数据等广泛应用在地图服务公司，显著提升服务水平交通路况精准预测
GPS数据（流）、路网路况数据、气象数据、大型活动记录、重大事故数据等用
于地图服务和交通指挥系统，但精度尚需提高城市规划智能决策 轨迹数据、地图
数据、兴趣点数据、消费数据、价格数据、公交线路、历史事故等数据用于数据驱
动的规划决策，多源数据集成与融合是难点个性化服务与活动推荐 车辆与手机轨
迹、社交网络与社交媒体数据、兴趣点和签到、评论数据等用于基于位置的服务推
荐，需提高语义理解和推荐算法出租车服务 出租车GPS轨迹、私家车移动轨迹、
公交线路与轨迹等数据 应用于相关业务优化，有进一步提升空间
在上述应用系统中，对轨迹数据在完整生命周期内的有效处理成为共性需求。学术
界和工业界开展了大量的研究工作，这些技术使原始轨迹数据逐步可用，最后变成
所需要的信息与知识。下面将介绍轨迹数据管理与分析技术的前沿成果与研究现状。
4 轨迹搜索与分析技术现状
从轨迹数据的生命周期来看，图1展示了轨迹数据金字塔模型，代表了轨迹数据
的不同认知程度和可用性层次。各层之间紧密联系，相互依托。最底层是原始轨迹
数据，存在很多冗余和噪音，无法被直接使用。通过数据预处理，由一系列操作将
其转换为校准轨迹。校准轨迹是可用数据，但是无法被有效检索和分析，需要通过
数据库管理技术对其有效组织，成为能够有效存取的数据库轨迹。在此基础上，需
要进一步对时空、文本等属性的理解分析，构成轨迹数据仓库，形成语义轨迹。最
后通过挖掘和分析处理等手段从语义轨迹中得到有用的轨迹知识，服务各类应用。
轨迹金字塔模型体现了轨迹数据的知识化过程。
图1 轨迹金字塔
过去10年中，人们对轨迹数据处理技术进行了大量的探索，使海量轨迹数据能够
被及时处理，信息和知识能够被从中提取。这些技术按照轨迹金字塔模型分层展开。
如图1所示，它们的目标是使轨迹从底层向高层转化，可以被大致归纳为数据预
处理（data preprocessing）、轨迹数据库（trajectory database）、轨迹数据
仓库（trajectory data warehouse）、知识提取（trajectory knowledge
discovery）。4种技术环环相扣，使轨迹由原始数据转变为规范化数据、信息、
知识，形成完整的生命周期。本节首先探讨这些关键问题，结合一些有影响力的科
研成果阐述研究现状。
4.1 数据预处理
与其他大数据相似，轨迹数据存在着一系列的数据质量问题，主要包括：由定位装
置和物理环境导致的数据不准确（位置）；由设备、传输故障或误操作等因素导致
的数据不完整，使部分（通常是一段时间和区域）数据缺失；由不同坐标表示更新
策略和语境变换（例如轨迹数据集参照了多个地图或地图版本等）导致的数据不一
致；由部分轨迹数据导出、备份导致的数据冗余。这些数据质量问题使原始轨迹数
据不能直接用于分析和挖掘，首先需要通过预处理技术进行数据转换与校准。一般
来说，轨迹数据的预处理主要包括以下4类操作。
1)轨迹数据清洗（data cleaning）旨在去除轨迹中的冗余点（redundant points）
和噪音点（noisy points）。冗余点是指可以通过插值等计算导出的采样，它们显
著增加了系统的存储和计算开销，移动对象在静止和匀速运行状态中都会产生大量
的冗余点；噪音点是指由软硬件设备异常导致的错误采样，它们会极大影响轨迹挖
掘和分析结果。现有方法主要是从单条轨迹的角度清洗数据。借鉴曲线平滑思想，
轨迹清洗算法[1,2]智能选取少量的“代表性”采样点，去除大量的冗余采样，使
该条轨迹的完整时空投影依然能够被有效表示（基于线性拟合算法）。结合一些时
空规则，异常的噪音点得以被准确识别并去除。针对实时化的轨迹清洗要求，文献
[3]提出了一种基于时间窗的在线清洗算法。
2)轨迹分段（trajectory segmentation）是指对长时段轨迹（例如以天、月为单
位）的合理切分与标注，切分后的每个子轨迹段代表一次出行记录，是原子级的轨
迹分析对象。轨迹分段的核心问题是理解时空移动特征，主流的轨迹分段方式包括
基于时间阈值、几何拓扑和轨迹语义这3种基本策略。以基于语义的轨迹分段为
目标，郑宇在文献[4]中提出了一种基于GPS轨迹数据的停留点检测（stay points
detection）方法，停留点是通过学习得到的经常作为起点或终点的位置或区域，
例如天安门广场、首都机场等，是轨迹分段的重要参考对象；文献[5]提出了一种
基于轨迹聚类的停留点抽取方法。
3)路网匹配（map-matching）是关联轨迹与数字地图，将GPS坐标下采样序列
转换为路网坐标序列。路网匹配后的每个轨迹采样点都映射到一个路网位置，难点
在于采样的位置误差、低采样频率、地图对路段连续拓扑的离散化表示等，使每个
采样点坐标无法准确匹配路段。路网匹配算法的核心思想是利用轨迹点之间的时空
可达性做匹配校正。为了实现高效的路网匹配，文献[6]提出了一种基于空间几何
度量的匹配算法；文献[7]提出了一种基于拓扑Frechet距离的路网匹配算法；文
献[8]采用隐马尔可夫模型，通过动态规划算法最大化匹配状态的转移概率，实现
向地图空间的精准映射。文献[9～11]解决了基于简化地图的高效路网匹配问题。
4)轨迹校准（trajectory calibration）是保证轨迹数据可用性的重要技术。面向低
频采样轨迹，文献[12]提出了一种基于轨迹移动模式学习的位置不确定消减机制。
轨迹数据的质量问题很大程度上是由于采样率差异过大导致的。当2个轨迹的采
样率差别较大时，直接基于它们的采样点进行相似性比较没有意义，需要对原始轨
迹校准以便合理评估轨迹相似性。文献[13]提出了2种考虑空间特性的校准模型，
通过机器学习算法训练得到参照系统，在该系统中去除冗余数据并补全重要缺失采
样。文献[14]进一步同时考虑了时间和空间属性，满足时空双重受限的轨迹相似性
分析要求，大幅提升轨迹校准效果并得到高质量轨迹数据。
4.2 轨迹数据库
轨迹数据库是轨迹大数据管理的核心，是数据搜索与处理性能的保证。传统数据库
技术不适用于管理高度冗余、非结构化变长的轨迹数据。为了实现大规模轨迹数据
在数据库的有效管理与组织，人们针对轨迹数据模型、轨迹压缩、轨迹索引等核心
问题展开了大量研究。
轨迹数据模型（trajectory data model）是轨迹数据在数据库中的表示方法，是
数据组织与管理的基础。轨迹数据模型起源于移动对象数据库，早期工作主要是基
于关系模型扩展，包括Wolfson等提出的MOST模型[15]，将移动对象的位置信
息表示为动态属性；Guting等在文献[16]中，设计了一种基于抽象数据类型ADT
的模型和类似SQL的查询语言，以移动点和移动区域为基本抽象。近些年随着
Hadoop的兴起，轨迹数据模型被极大简化，通常是以移动对象为中心，以序列
化轨迹点来灵活表示，数据在HDFS中持久化保存。面向实时轨迹数据分析的需
求，文献[17]借鉴视频数据表示机制，提出了一种以时间为中心的轨迹模型，基于
该模型的轨迹数据库SharkDB适用于内存计算环境、对时间受限的轨迹分析（如
实时交通流、拥堵识别与趋势分析等）具有天然优势。
轨迹压缩（trajectory compression）。由于轨迹数据的低价值密度和存储设备限
制，数据库无法保存全部轨迹数据，通常需要对轨迹数据集进行压缩存储。现有轨
迹压缩方法主要分为3类。
1) 基于路网（road network based）的压缩[18,19]。对基于路网表示的轨迹通
过路段拓扑和编码等方法来压缩轨迹数据存储空间。
2)基于轨迹（trajectory based）的压缩[2,3,20]，主流研究侧重于单条轨迹的压
缩，通过对移动对象轨迹建模，去除可通过模型（插值）还原的轨迹点，例如路网
最短路径上的轨迹点，保证与原轨迹的误差符合精度范围。
3) 基于帧编码（frameencoding based）的压缩[17]，每个对象在关键帧中记录
精确的采样信息，在非关键帧中仅记录采样与上一帧中的偏移值，从而大幅压缩数
据量。
轨迹查询与索引（trajectory indexing）。轨迹分析依赖于大量的查询操作，根据
用户给定的移动对象、时空范围、移动属性（如平均/瞬时速度、轨迹长度、采样
频率等）值域等条件，返回用户或分析所需的相关轨迹。
轨迹数据的高效检索依赖于数据索引。在空间数据库中最经典的索引结构是R-
tree[21]及其改进版本，若直接使用三维的3D R-tree对轨迹索引将导致诸多问题，
如死区(dead space)过大、轨迹的完整性被破坏等。针对这些问题Pfoster等在文
献[22]中提出了TB-tree索引结构，严格地让每个叶节点只包含属于同一轨迹的线
段以最大限度地保证轨迹的完整性。有些学者尝试把轨迹的时间和空间维度分别进
行索引，把数据在时间维度上进行划分然后分别用R-tree组织起来，每个R-tree
对应的是一个时间点（HR-tree[23]）或时间段（MV3R-tree[24]），这种结构可
以更好地处理基于时间的轨迹查询。文献[25]提出了一种空间优先划分的格栅索引
结构，对基于空间区域的查询有很好的效果。
除了上述通用轨迹索引，还有一些工作研究重点在于面向定制查询的索引设计，例
如面向路网受限轨迹查询的NDTR-tree[26]以及基于LCSS[27]、ERP[28]、
EDR[29]、k-BCQ[30]等轨迹相似性度量的索引结构[27～30]。结合相应的查询优
化技术，这些索引支持了各种类型的轨迹精准查询与个性化轨迹分析的快速处理。
4.3 轨迹数据仓库
轨迹知识发现以对数据的深刻理解为前提。学者们为此展开大量研究，试图融合各
种相关信息，理解轨迹数据背后的时空与行为特征，将轨迹数据转换为易于理解的
语义轨迹（semantic trajectories），构建轨迹数据仓库。
移动性理解（mobility understanding）。对轨迹的认知首先是从时空角度，对
用户运动方式进行分析。文献[31]研究了基于轨迹运动方式（如步行、骑车、公交、
自驾等）的轨迹分段与标注，设计了一种基于条件随机场模型的算法最大化分段精
度，使对轨迹运动方式的精准标注成为可能。近年来，人们越来越多地关注如何通
过时空统计的方法理解移动对象的共性移动，汇总趋势性信息。
行为理解（activity understanding）的目标是理解用户在轨迹中的行为或可能的
行为。对轨迹行为的理解需要在时空维度之外引入文本描述，现有方法主要通过2
种方式。第1种是将轨迹数据与兴趣点（point of interests）和签到（check-ins）
数据结合[32,33]，丰富用户在轨迹停留点可能的行为内容`。第2种是从社交媒体、
签到数据中爬取行为轨迹（activity trajectories），其中每个轨迹点包含时空、
文本和其他信息，表示了用户在不同位置的状态和行为。与传统时空轨迹相比，上
述轨迹包含了更多维度信息，因此难于管理，郑凯等在文献[34]中提出了一种高效
的检索框架。
轨迹相似性（trajectory similarity）用于评估不同轨迹之间的时空曲线和语义相
似程度，是轨迹搜索与挖掘的核心。在基于空间的轨迹相似性度量函数方面，除了
经典DTW、LCSS，陈雷等在文献[29]中定义一种基于轨迹编辑距离的EDR函数，
文献[35]定义了考虑连续性的度量指标OWD。针对时空环境下的轨迹相似性度量，
人们在此基础上进行了时间维度的扩展[27]。针对包含用户行为信息的语义轨迹，
文献[36]定义了一种融合文本相似度的轨迹距离。文献[37]针对轨迹不确定性定义
了一种基于概率的相似性评估机制。
4.4 轨迹知识提取
轨迹数据挖掘旨在从轨迹中发现有价值的知识和模型，已经成为数据挖掘领域的一
个重要新兴分支[38]，被广泛使用在各类应用之中。现有的轨迹知识提取工作主要
从基于轨迹的数据挖掘和语义归纳2个角度展开。
1)频繁模式挖掘（frequent patterns）旨在从大规模轨迹中发现时序模式，例如
超过一定数量的对象在给定时间间隔内行驶的公共路径，对目的地预测、路径推荐、
行为理解有重要的价值。文献[39]将空间格栅化，根据GPS采样点密度将格栅组
合成为区域，通过频繁项挖掘算法提取频繁模式；文献[40]提出了一种基于前缀树
的频繁轨迹高效挖掘方法，避免过量的子轨迹组合验证；文献[41]定义了体现出行
共性规律的频繁路径，并设计了一种高效的频繁路径搜索策略。在此基础上，文献
[42]设计了一种基于离群检测机制的异常轨迹提取方法。文献[43,44]通过轨迹学
习实现有效的目的地预测，此外，文献[45]研究了面向大规模轨迹的周期性模式挖
掘。
2)伴行模式挖掘（moving together patterns）在轨迹数据中提取伴行的移动对
象，用于事故调查、军事监控等应用。代表性的轨迹模式主要包括Flock[46]、
Convey[47]、Swarm[48]、Gathering[49,50]等。其中，Flock模式挖掘[46,47]
旨在发现给定时间间隔内可被给定面积覆盖的一组移动对象；Convey模式[46,47]
则是根据密度来挖掘紧密伴行的移动对象，避免过于机械化的空间阈值限定；而
Swarm[48]是一种更为通用化的轨迹模式。文献[51]提出了面向轨迹数据流的伴行
模式在线挖掘方法。
3)轨迹聚类、分类（trajectory clustering and classification）。对移动轨迹的时
空聚类可以帮助发现具有代表性和趋势性的移动模式。早期的轨迹聚类是以整条轨
迹为对象。但是由于移动对象轨迹通常不完全重叠，文献[52]设计了一种基于分段
轨迹、以豪斯多夫距离为度量的聚类方法，显著提升了聚类效果。文献[53]提出了
增量式的轨迹聚类算法，降低轨迹聚类处理的时间和空间开销。而轨迹分类问题
[31]则是根据行为、交通方式等特征来区别不同类型轨迹。此外，文献[54]提出了
一种基于轨迹的高影响力位置挖掘算法。袁晶等[55]所研发了T-Drive系统从轨迹
数据中学习出租车的运行规律和经验，为用户推荐更为通畅、便捷的路径以及出发
时间的合理推荐。
4)轨迹摘要（trajectory summarization）是以文本的方式来概要一条轨迹所包含
的信息，使轨迹数据更加易于理解。文献[54]提出了一种基于轨迹切分的摘要方法，
使轨迹段内语义相似、轨迹段间语义不同，最后通过短文本总结蕴含在轨迹数据中
的时空、交通、行为等各维度信息。
5 结束语
移动对象轨迹数据已经成为一种基本的数据资源，相关应用具有无限的潜力。因此，
分析移动轨迹所蕴含的知识是认知用户、人群和城市行为的重要手段。轨迹数据与
其他数据、特别是用户行为数据的叠加将产生更为巨大的商业和社会价值。企业级
的轨迹数据已经积累到相当大规模，且增量数据以极快速度产生。因此，多用途、
易扩展的轨迹数据管理系统已经成为上述应用的共性需求。
为了满足上述需求，人们对轨迹预处理、数据库、数据仓库和知识提取等一系列问
题展开研究，取得了丰硕的成果。通过这些技术，轨迹数据能够被有效处理，从中
提取的知识被应用于车辆导航、行程推荐、城市规划等中。但是随着轨迹数据规模
的快速增长，各类位置服务的涌现，现有的轨迹处理技术在处理性能、分析能力等
方面已经无法满足实际应用需求。
未来，轨迹数据管理需要重点突破以下关键技术。在数据库/数据仓库技术方面，
现有的轨迹数据库主要面对集中式的轨迹管理，无法支持企业级大规模、高增量轨
迹数据的高效处理，因此分布式环境下、可动态扩容的轨迹存储与计算框架将成为
热点问题；在轨迹数据的理解与分析方面，为了充分发掘数据背后的巨大价值，如
何集成轨迹与其他网络数据业务，从中准确地刻画用户行为并挖掘交通模式将受到
更为广泛的关注。同时，轨迹数据管理作为一个跨学科研究问题，涉及地理信息系
统、智能交通、数据库、数据挖掘等不同领域，需要这些不同领域的研究人员共同
协作，最终实现轨迹数据完整生命周期的有效管理和价值发现。
【相关文献】
[1]SCHUESSLER N,AXHAUSEN sing raw data from global positioning systems
without additional information[J].Transportation Research Record:Journal of the
Transportation Research Board,2009(2105):28-36.
[2] DOUGLAS D H,PEUCKER T thms for the reduction of the number of points
required to represent a digitized line or its caricature[J].Cartographica:The International
Journal for Geographic Information and Geovisualization,1973,10(2):112-122.
[3] MERATNIA N,ROLF temporal compression techniques for moving point
objects[A].Advances in Database Technology-EDBT[C].2004.765-782.
[4] ZHENG Y,et interesting locations and travel sequences from GPS
trajectories[A].Proceedings of the 18th International Conference on World Wide
Web[C].2009.
[5] PALMA A T,et al.A clustering-based approach for discovering interesting places in
trajectories[A].Proceedings of the 2008 ACM Symposium onApplied Computing[C].2008.
[6] GREENFELD J S,Matching GPS observations to locations on a digital
map[A].Transportation Research Board 81stAnnual Meeting[C].2002.
[7]BRAKATSOULAS S,et map-matching vehicle tracking data[A].Proceedings of the
31st International Conference on Very Large Data Bases[C].2005.
[8]NEWSON P,KRUMM Markov map matching through noise and
sparseness[A].Proceedings of the 17th ACM SIGSPATIAL International Conference on
Advances in Geographic Information Systems[C].2009.
[9] LIU K,et ive map-matching on the most simplified road
network[A].Proceedings of the 20th International Conference on Advances in Geographic
Information Systems[C]..
[10]LI S,et geo-fencing using trajectory partitioning and boundary
simplification[A]. Proceedings of the 21st ACM SIGSPATIAL International Conference
on Advances in Geographic Information Systems[C].2013.
[11]TANG Y,ZHU A D,XIAO efficient algorithm for mapping vehicle trajectories onto
road networks[A].Proceedings of the 20th International Conference on Advances in
Geographic Information Systems[C].2012.
[12]ZHENG K,ng uncertainty oflow-sampling-rate trajectories[A]. Data
Engineering (ICDE), 2012 IEEE 28th International Conference on[C].2012.
[13]SU H,et ating trajectory data for similarity-based analysis[A].Proceedings of
the 2013 ACM SIGMOD International Conference on Management of Data[C].2013.
[14]SU H,et ating trajectory data for spatio-temporal similarity analysis[J].The
VLDB Journal,2015,24(1):93-116.
[15]SISTLA A P,et ng and querying moving objects[A].ICDE[C].1997.
[16]GÜTING R H,et al.A foundation for representing and querying moving objects[J].ACM
Transactions on Database Systems(TODS),2000,25(1):1-42.
[17]WANG H,et B:An in-memory column-oriented trajectory
storage[A].Proceedings of the 23rd ACM International Conference on Conference on
Information and Knowledge Management[C].2014.
[18]KELLARIS PELEKIS G N,THEODORIDIS tory compression under network
constraints[A].Advances in Spatial and Temporal Databases[C].2009.392-398.
[19]SONG R,et :A novel framework of trajectory compression in road
networks[J].Proceedings of the VLDB Endowment,2014,7(9):661-672.
[20]CHAN W S,CHIN F,Approximation of polygonal curves with minimum number of line
segments or minimum error[J].International Journal of Computational
Geometry&Applications,1996,6(1):59-77.
[21]GUTTMAN A,R-trees:a dynamic index structure for spatial
searching[A].SIGMOD[C].1984.47-57.
[22]PFOSER D,JENSEN C S,THEODORIDIS approaches to the indexing ofmoving
objecttrajectories[A].Proceedingsof VLDB[C].2000.
[23]NASCIMENTO M A,SILVA J s historical R-trees[A].Proceedings of the 1998
ACM Symposium on Applied Computing[C].1998.
[24]YUFEI T,PAPADIAS 3R-tree:a spatio-temporal access method for timestamp and
interval queries[A].VLDB[C].2001.431-440.
[25]CHAKKA V P,EVERSPAUGH A C,PATEL J ng large trajectory data sets with
SETI[A].CIDR[C].2003.
[26]丁治明.一种适合于频繁位置更新的网络受限移动对象轨迹索引[J].计算机学
报,2012,35(7): Z index structure for frequently updated
network-constrainted moving object trajectories[J].Chinese Journal of
Computers,2012,35(7):1448-1461.
[27]VLACHOS M,KOLLIOS G,GUNOPULOS ering similar multidimensional
trajectories[A].Data Engineering,2002 Proceedings 18th International Conference
on[C].2002.
[28]CHEN L,NG the marriage of lp-norms and edit distance[A].Proceedings of the
Thirtieth International Conference on Very Large Data Bases-Volume[C].2004.
[29]CHEN L,ÖZSU M T,ORIA and fast similarity search for
movingobjecttrajectories[A].Proceedingsofthe2005 ACM SIGMOD International
Conference on Management of Data[C]..
[30]CHEN Z,et ing trajectories by locations:an efficiency study[A].Proceedings of
the 2010 ACM SIGMOD International Conference on Management of Data[C].2010.
[31]ZHENG Y,et ng transportation mode from raw gps data for geographic
applications on the web[A].Proceedings of the 17th International Conference on World
Wide Web[C].2008.
[32]YAN Z,et ic trajectories:Mobility data computation and annotation[J].ACM
Transactions on IntelligentSystems and Technology(TIST),2013,4(3):49.
[33]ALVARES L O,et al.A model for enriching trajectories with semantic geographical
information[A].Proceedings of the 15th Annual ACM International Symposium on
Advances in Geographic Information Systems[C].2007.
[34]ZHENG K,et s efficient search for activity trajectories[A].Data Engineering
(ICDE), 2013 IEEE 29th International Conference[C].2013.
[35]LIN B,SU way distance:For shape based similarity search of moving object
trajectories[J].Geoinformatica,2008,12(2):117-142.
[36]ZHENG B,et imate keyword search in semantic trajectory database[A].Data
Engineering(ICDE),2015 IEEE 31st International Conference[C].2015.
[37]MA C,et :Top-k similarity query on uncertain trajectories[J].Knowledge and Data
Engineering,IEEE Transactions 2013,25(9):2049-2062.
[38]ZHENG tory data mining:an overview[J].ACM Transactions on Intelligent
Systems and Technology(TIST),2015,6(3):29.
[39]GIANNOTTI tory pattern mining[A].Proceedings of the 13thACM SIGKDD
InternationalConferenceon Knowledge Discovery and Data Mining[C].2007.
[40]WANG Y,ZHENG Y,XUE time estimation of a path using sparse
trajectories[A].Proceedings of the 20th ACM SIGKDD InternationalConference on
Knowledge Discovery and Data Mining[C].2014.
[41]CHEN Z,SHEN H T,ZHOU ering popular routes from trajectories[A]. Data
Engineering (ICDE), 2011 IEEE 27th International Conference[C].2011.
[42]LEE J G,HAN J,tory outlierdetection:A partition-and-detect
framework[A].Data Engineering,ICDE 2008 IEEE 24th International Conference[C].2008.
[43]KRUMM J,HORVITZ tination:Inferring destinations from partial
trajectories[A].UbiComp 2006:Ubiquitous Computing[C].2006.243-260.
[44]LIAO L,et ng and inferring transportation routines[J].Artificial
Intelligence,2007,171(5):311-331.
[45]CAO H,MAMOULIS N,CHEUNG D ery of periodic patterns in
spatiotemporalsequences[J].Knowledge and Data Engineering,IEEE Transactions
on,2007,19(4):453-467.
[46]GUDMUNDSSON J,KREVELD M ing longest duration flocks in trajectory
data[A].Proceedings of the 14th Annual ACM International Symposium on Advances in
Geographic Information Systems[C]..
[47]JEUNG H,et ery of convoys in trajectory databases[J].Proceedings of the VLDB
Endowment,2008,1(1):1068-1080.
[48]LI Z,et :Mining relaxed temporal moving object clusters[J].Proceedings of the
VLDB Endowment,2010,3(1-2):723-734.
[49]ZHENG K,ZHENG Y,et discovery of gathering patterns from
trajectories[A].ICDE[C].2013.242-253
[50]ZHENG K,ZHENG Y,et discovery of gathering patterns over trajectories[J].IEEE
Trans Knowl Data Eng,2004 26(8):1974-1988.
[51]TANG L A,et discovery of traveling companions from streaming
trajectories[A].Data Engineering(ICDE),IEEE 28th International Conference[C].2012.
[52]LEE JG,HAN J,WHANG K toryclustering:a partition-and-group
framework[A].Proceedings of the 2007 ACM SIGMOD International Conference on
Management of Data[C].2007.
[53]LI Z,et ental clustering for trajectories[A].Database Systems
forAdvancedApplications[C].2010.
[54]CAO X,CONG G,JENSEN C significant semantic locations from GPS
data[J].Proceedings of the VLDB Endowment,2010,3(1-2):1009-1020.
[55]YUAN J,et al.T-drive:driving directions based on taxi trajectories[A].Proceedings of the
18th SIGSPATIAL International Conference on Advances in Geographic Information
Systems[C].2010.
[56]SU H,et sense of trajectory data:a partition-andsummarization
approach[A].Data Engineering(ICDE),IEEE 31st International Conference[C].2015.
发布评论