随着导航定位、通信、传感等技术的快速发展,利用传感器收集移动对象随时间变化的位置信息变得切实可行。作为一种时间序列数据,移动轨迹数据详细记录了对象运动的时间、位置变化信息,以及自身特有的属性、状态和行为特征,能在一定程度上反映对象与所处环境中各种要素之间的交互关系。通过对移动对象的运动轨迹进行分析挖掘可以获得很多有意义的信息,其结果有效服务于智慧海洋、智慧交通等领域。为了探索从海量时空轨迹数据中获取隐藏的信息与知识,并为未来的决策和管理提供支持,本文以海洋渔船捕鱼轨迹和城市网约车出行轨迹为研究对象,通过数据分析挖掘、人工智能等技术,对海量轨迹数据进行挖掘研究,实现了对未来渔船捕捞热点作业时间和乘客出行热点乘车需求的预测。论文主要工作如下:1.针对海洋渔船轨迹数据,首先我们采用基于规则的算法划分单次渔船出海轨迹,使用DBSCAN算法加K-Means算法进行二次聚类获取渔船作业轨迹点。同时针对渔船进行捕鱼时航向较自由的特点,本文利用蜂窝网格对研究区域进行划分,然后在时间和空间维度统计了渔船的作业时长。此外,本文提出了基于蜂窝网格的集成策略,通过采用区域预测的平均值作为最终的预测结果。集成策略的实施使得RMSE和MAE分别降低了8.8%、9.8%,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。2.在预测算法上,受益于Transformer在自然语言处理和图像识别领域的优异效果,本文提出了时空Transformer预测模型。首先,位置嵌入层根据输入数据的时空位置信息进行编码,随后被编码的数据进入时空Transformer模块进行空间依赖和时间依赖特征的提取。同时,时空Transformer模块可以进行叠加,以提取深度时空信息。通过对比经典的预测模型,本文算法在预测未来5天,10天和15天的渔船作业时长数据时,RMSE和MAE较最好的模型分别降低了23.8%、24.1%、26.6%和30.8%、36.4%、37.7%。3.针对城市网约车轨迹数据,首先进行数据清洗,然后利用地图匹配算法对偏离实际路网的轨迹点进行修正。通过乘客上下车数据提取算法获取乘客的上下车时间和位置数据,同时利用方形网格对研究区域进行划分,通过将乘客上下车时间、位置数据在时空维度进行投影聚合,得到表征各时间段各区域乘客乘车需求的OD矩阵数据。4.为验证时空Transformer在时空数据预测领域的有效性与适用性,我们将该模型作用于由城市网约车轨迹数据获得的OD矩阵数据。通过历史乘客上下网约车数据,对成都市未来时段的乘客乘车求量进行预测。通过模型对比试验,该模型在短时预测（5 steps）和长时预测（15 steps）中RMSE损失分别降低了29.5%和11.7%,证明了该模型可以应用于其他时空数据预测领域。