随着科技发展、社会进步,以及居民生活水平得不断提高,私家车已然成为了城市居民甚至普通家庭的日常代步工具,因此,越来越多的发达城市甚至发展中城市都面临着由此而产生的挑战——交通拥堵问题。基于现有科技手段,可以通过智能车载终端实时获取车辆的GPS数据,这些GPS轨迹数据包含了极其丰富的信息,其中包括但不限于当前城市的实时交通情况。因此,如何从实时的海量的GPS数据中挖掘出城市热点路径和区域,对于整个城市的交通体系的完善和发展以及对于城市居民的交通出行指导都是非常有意义的。车联网技术的普及,车与人,车与车,车与道路之间的信息共享成为可能,越来越多的汽车,尤其是私家车,都装载了车载智能终端,可以实时上传GPS轨迹数据,包括但不限于车载终端ID,时间,经纬度等。城市道路中的车辆自动上传的GPS轨迹数据定位精度高,覆盖范围广,能够清晰地反应当前城市道路的运行状况。因此,本文以实时轨迹流数据为研究对象,重点研究轨迹聚类和轨迹流聚类,基于典型的轨迹聚类算法框架,提出了新的算法思路,以及在此基础上提出了基于滑动窗口的轨迹流数据聚类框架。本文的研究内容和创新点如下:第一,针对经典轨迹聚类算法TRACLUS中对于轨迹段距离的度量方式未考虑时间属性的不足,在其空间距离度量的基础上,增加了时间距离,并且时间距离的度量方式不同于目前已有文献中的度量方式,采用了基于重叠比例的度量方式,此种度量方式使得距离阈值在[0,1]之间;除此之外,对于空间距离的度量,也采用了同样的方式,使用距离比例作为度量单位,使得两者距离处于同一量级;并且在此基础上使用逻辑回归方程对空间和时间距离进行归一化处理,最终得到轨迹段之间的距离度量值。经过实验证明,该种度量方式可以有效的提高最终的轨迹聚类精度。第二,在轨迹划分阶段,针对目前轨迹划分算法基于轨迹距离度量和人为设定转向角度和速度阈值两种方式导致的误差叠加问题,提出了一种基于决策树模型的特征点选取算法,利用历史数据训练决策树模型,通过决策树模型来决定轨迹特征点。经过实验证明,通过分类模型进行特征点选取,可以大幅度提高轨迹划分的效率及精度。第三,针对聚类结果簇,提出了一种基于最小包围矩形的聚类簇特征表示方式。即对于一个聚类结果簇,可以使用=(,,,,,123,145)来表示该簇的特征,其中各个属性的含义分别为:聚类簇中所有轨迹段中心点的线性和,聚类簇中所有轨迹段角度的线性和,聚类簇对应的MBR的左下角,聚类簇对应的MBR的右上角,聚类簇中包含的轨迹段的个数以及聚类簇中轨迹段的最早达到时间和最晚达到时间。经过实验,分析结果数据可得:最终聚类结果的轨迹走向能够由此种概要结构较为准确的表达,同时此概要结构也为后续基于轨迹流的聚类算法提供良好的微簇概要数据结构。第四,提出了基于滑动窗口的轨迹流聚类算法,利用移动窗口模型保留最近达到的轨迹流集合,并实时对窗口内的轨迹流集合进行聚类处理。其中在线实时的聚类处理基于(Trajectory Cluster Summary)结构,并且在此基础上提出了(Time Cluster Feature)结构,用以维护整个数据流的演化过程,并且提出了一种层级关系,用以维护轨迹流中过时数据和非重要数据的发现与剔除。综上所述,本文重点研究了轨迹聚类以及轨迹流聚类,通过发现目前轨迹聚类算法中存在的不足,提出了相应的解决思路;同时,就当前阶段对于轨迹流数据聚类的研究也提出了一种新思路,最终通过真实的出租车轨迹数据,实验验证了本文所提思路在聚类准确率和效率上都有良好的表现。