卫星、物联网定位技术,以及迅速发展和普及的智能终端,使得轨迹数据(特指移动对象的时空运动)的记录越来越普遍。在轨迹数据中包含了相当丰富的时空信息,对其进行分析和挖掘可用来支持与移动对象相关的多种应用。然而,这些与轨迹相关的服务和新兴的技术在方便人们生活的同时,也对海量轨迹数据的利用和管理提出了很大的挑战。轨迹数据同时包含空间和时间属性,数据量大且维度高,分析起来难度大,传统数据库都是以静态数据查询为目标,轨迹数据的海量性、时空维度、不确定性及动态流式特性使得传统数据库技术都无法支持对时空数据的有效管理。如何保存与管理移动对象产生的海量时空轨迹数据,成为当前时空数据管理领域的一个重要研究课题。在此背景下,面向道路网络中移动对象产生的海量时空轨迹数据,本文围绕其若干重要问题展开研究:映射与地图匹配;挖掘与分析及其在智能交通中的应用;轨迹压缩等。此外,结合特定的应用场景,本文给出了具体的解决方案及其实现框架。具体而言,可将本文主要的工作和创新点概括为如下几点:(1)提出一种高效存储的路网简化模型MPA-TRN。针对现有路网简化方案难以解决匹配结果丢失问题,通过分析GPS点能直接匹配到一条道路的范围以及道路的构造过程,提出一种新型的路网简化模型。该模型可以显著地压缩路网的存储空间,适于在内存与计算资源有限的终端中进行GPS与路网之间的快速匹配,并保持较高的匹配精度。实验表明,路网存储空间可以平均压缩到原来的1/4,而精度仅下降3~5%左右。(2)提出一种基于MPA-TRN的快速路网匹配方法FMM。现有的路网匹配方法主要集中在提高精度上,很少考虑地图数据存储空间及匹配过程中的能源消耗。本文针对轻量级终端存储与计算资源受限的特性进行针对性设计,为移动及嵌入式环境中进行路网匹配提供一种快速路网匹配方法FMM。基于MPA-TRN路网模型,FMM将GPS序列路网匹配问题转化成MPA-Graph上最大相似路径搜索问题,并给出了度量相似性的三类条件以保障匹配过程的效率与精度。与传统的路网匹配方法进行对比实验显示,FMM方法匹配精确度下降3~5%左右,运算速度平均提高5倍。(3)提出一种轨迹流数据降载策略以实现快速交通拥堵监控。本文将同伴发现技术引入交通拥堵监控中,挖掘轨迹数据中与拥堵特征相关的数据属性扩充到交通参数之中,同时采用相似轨迹聚类和预测等技术,提出了一种轨迹流数据降载策略。该策略基于“通常情况下(非高峰时间)发生拥堵的区域是有限的”这一主旨思想,首先从浮动车轨迹流数据中筛选出可能发生拥堵的FCD(floating car data),再对拥堵区域变化趋势进行概化预测,由预测结果决定负载处理方式,最终达到降载目的。通过在北京市路网中大规模出租车轨迹数据上的实测,验证了这种算法的有效性和优势。(4)提出一种适用于路网中移动对象轨迹数据的混合压缩方法。不同于现有研究主要侧重于对单条轨迹的压缩,本文考虑了移动对象运动模式相似性带来的冗余,将轨迹数据冗余划分为单轨迹冗余和多轨迹冗余,并采用分级建立冗余度模型的方式为轨迹压缩提供冗余信息的表征与提取方法。提出了基于路轨的符号表示策略,将路网中的边以路轨形式进行描述,解决了路网信息缺失问题;提出了一种多轨迹冗余抽取算法,它以频繁路轨子序列代替相似运动路线,大大降低了计算复杂度。与传统线性压缩相比,提出的方法既进一步消除了多轨迹及其子段之间存在的冗余,又能表达较复杂的运动模式。实验结果表明,新方法不仅能获得较高的压缩率,而且还能保证压缩轨迹的效用。