随着各种定位工具的不断发展,大量的移动对象数据得以被GPS设备,智能手机,无线网络设备等记录。这些移动数据作为分析移动对象行为的基础,包含着移动对象在空间和时间上的重要信息。对这些信息进行模式研究,不仅有助于理解移动对象的行为模式,而且研究成果也被应用于交通管理、动物异常行为分析、路径规划等领域。目前,移动对象模式挖掘主要集中在周期模式挖掘,频繁模式挖掘,护卫模式挖掘,集群模式挖掘等方面。本文主要针对移动对象跟随模式挖掘方法进行深入的研究。移动对象跟随模式是指跟随者与领导者有着相似的运动轨迹,但是跟随者在到达与领导者相似位置点时有一定的时间延迟。移动对象跟随模式的研究有益于许多实际的应用,例如研究动物群体中各个移动对象的亲近程度,通过分析可疑行踪来追踪罪犯等。本文的主要研究成果如下:(1)针对现有跟随模式挖掘方法中没有考虑到低采样率会导致数据不确定性这一问题。本文提出了一种从概率论角度来挖掘移动对象跟随模式的研究思路,为此提出了基于布朗桥模型的跟随模式建模方法。在收集数据时,由于设备的问题,数据的采样率可能并不高或者采样时间间隔不一致。在对这些数据进行分析时可能会造成结果的不准确或者不能如实反映真实情况。通过对移动对象的时空轨迹分布分别建模,再计算移动对象之间的跟随概率分布,可以避免外界因素对实验结果的干扰。实验表明该方法能够对跟随模式的挖掘更加精确形象。(2)在分析移动对象领导模式特点的基础上,提出了基于PageRank算法的移动对象群体领导模式挖掘算法。利用网页的拓扑结构与群体中领导模式结构的相似性,将PageRank算法引入到挖掘领导模式的问题上。提出的新算法在PageRank值的计算上提出改进,使其更适合群体领导模式的挖掘。由于REMO方法在领导模式上的定义较为严苛,导致实验结果准确性不高。本文提出的算法正好解决了这一问题。实验证明该算法在领导模式挖掘上的有效性,同时与其他算法相对比,准确性更高。