随着GPS(Global Positioning System)等定位技术的快速发展,我们能更方便、快捷地采集到丰富的移动轨迹数据。对移动轨迹数据的热点区域挖掘在城市交通管理、道路规划和基于位置的服务中具有重要的作用。传统的轨迹数据挖掘方法有K-means、DBSCAN等算法,但其参数选择困难易影响聚类效果,且在非凸数据集或密度不均匀、聚类间距差相差很大的数据集上聚类表现较差。针对这些问题,本文以亚洲研究院公开的Geolife数据集为研究对象,对其包含的GPS轨迹数据进行聚类分析,主要进行了以下的研究工作:1.本文探究了自适应NJW谱聚类算法,将其引入到轨迹数据聚类中,提出了基于自适应谱聚类的热点区域挖掘算法(Hot region mining algorithm based on adaptive spectral clustering,HRMSC)。其利用自适应尺度参数σ_i能更准确反映停留点数据集的真实分布;且通过计算本征间隙来自动确定聚类数目k有效避免了因为参数选取而获得不好结果的情况。通过在真实轨迹数据集上与传统的K-means、DBSCAN算法进行比较,实验表明HRMSC算法具有优越的聚类效果。2.HRMSC算法在对轨迹数据的聚类挖掘过程中,最后阶段的聚类操作是由K-means算法来进行的。然而,K-means聚类算法存在对初始值敏感及易陷入局部最优解的不足,会影响HRMSC算法对轨迹数据的聚类效果。因此论文提出利用方差优化初始中心的K-medoids算法来完成最后的聚类操作,提出了基于K-medoids优化谱聚类的热点区域挖掘算法(Hot region mining algorithm based on K-medoids optimized spectral clustering,KD-HRMSC)。与HRMSC算法在真实轨迹数据集上的对比实验证明,KD-HRMSC算法具有更好的聚类效果。3.把居民的出行划分为工作日及周末两种情形,从一天的不同时间段内的轨迹数据中提取出用户出行停留点,并用KD-HRMSC算法进行聚类。调用百度地图API对热点区域进行可视化展示,分析总结居民在不同情形下的出行规律。