空間數據智能中的軌跡大數據分析：多源融合與前沿進展

摘 要：隨著移動設備和傳感器技術的快速發展，軌跡大數據已成為空間數據智能研究的關鍵數據源之一。該領域的研究涵蓋多源軌跡數據的獲取、融合、分析以及模式挖掘與知識發現的完整流程，在智慧城市、交通管理和位置服務等方面展現出巨大潛力。然而，軌跡數據的復雜性和多樣性帶來了處理、分析和利用方面的諸多挑戰。對軌跡數據的獲取與預處理、數據存儲、模式識別、預測分析等核心方法進行了系統討論，總結了其在各類應用場景中的最新進展。探討了當前研究中存在的主要挑戰，對未來的研究方向進行展望，為相關領域提供有價值的參考。

關鍵詞：空間數據智能；軌跡大數據；數據分析

中圖分類號：ＴＰ３１１ 文獻標志碼：Ａ 文章編號：１００３－３１０６（２０２４）１２－２７３５－０９

０ 引言

在信息技術飛速發展的今天，移動設備、傳感器和定位技術的廣泛應用產生了海量的軌跡數據。這些數據記錄了人們的移動軌跡、行為模式及其與環境的交互，為理解復雜的空間行為和提升空間智能提供了寶貴的信息。空間數據智能作為一種新興的研究領域，旨在通過數據分析和智能算法挖掘隱藏在大量空間數據中的有價值信息，以支持更精準的決策和更智能的服務。

近年來，軌跡大數據處理和分析技術取得了顯著進展。研究者們提出了多種方法用于軌跡數據的獲取、清洗、存儲和分析［１］，在數據挖掘和機器學習技術在軌跡模式識別、行為預測和異常檢測等方面展現出了強大的能力。同時，空間數據智能的應用場景不斷擴展，從傳統的交通管理到智慧城市建設，甚至是個性化推薦系統，都在利用軌跡數據的潛力［２］。

盡管取得了顯著進展，軌跡大數據的處理和分析仍面臨諸多挑戰。數據的高維度和稀疏性、數據隱私問題以及數據融合的復雜性，都是當前研究中的難點。此外，如何在多源數據背景下保持分析的準確性和高效性，如何應對軌跡數據中的噪聲和異常，也是亟待解決的問題。

針對上述問題，本文旨在系統梳理空間數據智能領域中軌跡大數據的研究進展，涵蓋從數據存儲、預處理到分析和應用的全流程。通過對現有方法和技術的深入探討，旨在揭示當前研究的主要成就和不足，并提出未來研究的發展方向，以推動軌跡大數據與空間數據智能領域的進一步發展。

１ 軌跡大數據

軌跡大數據是指由多個移動對象（如車輛、人員、動物等）在空間和時間上生成的海量數據集，通常包含這些對象的地理位置和運動信息，能夠反映其移動路徑、速度、停留時間以及與環境的互動等特征。

１． １ 軌跡數據來源

軌跡數據的來源豐富多樣，涵蓋了多種能夠記錄對象位置和時間信息的設備及技術。首先，移動設備（如智能手機、可穿戴設備、ＧＰＳ 設備等）通過內置的傳感器，能夠精確捕捉并記錄移動對象的位置信息和運動軌跡。其次，傳感器網絡（如交通流量監測器、環境監測傳感器等）廣泛分布于城市基礎設施、交通道路等區域，持續采集與軌跡相關的數據，為交通管理、環境監控等提供支持。此外，社交媒體平臺上的位置標記和用戶活動信息也是重要的補充數據源，能夠反映用戶的行為模式和移動路徑。這些多源數據共同構成了豐富的軌跡數據基礎，為相關研究和應用提供了多維度的支持。

１． ２ 軌跡數據內容

軌跡數據通常可以分為兩大類：基于歐氏空間的軌跡和基于網絡的軌跡。基于歐式空間的軌跡由按一定順序排列的移動點構成，這些點通常通過ＧＰＳ 設備記錄，形成一個點序列，表示為Ｔ ＝｛ｓ１ ，ｓ２ ，…，ｓｎ｝，其中每個點ｓｉ 都包含位置ｐｉ 和時間ｔｉ，反映了對象在歐氏空間中的移動路徑。相對而言，基于網絡的軌跡則是在一個給定的網絡結構上按照時間順序排列的移動記錄。網絡軌跡不僅包括時間信息，還包含一種用于描述網絡拓撲結構的數據類型，用于表示網絡中的靜態節點和移動點之間的相對位置。這樣的軌跡廣泛應用于交通網絡、物流路徑規劃等領域，能夠更加準確地反映對象在受限環境中的運動特征。

軌跡數據主要包含位置數據（包括經度、緯度、高度等坐標信息，描述對象在空間中的位置）、時間戳（每個位置數據點的時間標記，用于跟蹤對象的移動路徑和時間序列）、運動信息（包括速度、加速度、方向等，描述對象的運動狀態和變化）、環境信息（可能包括溫度、濕度、天氣等環境條件，這些信息可以影響對象的移動行為和軌跡）。

１． ３ 軌跡數據結構

軌跡數據的結構通常由三部分組成：軌跡點、軌跡線和軌跡段。軌跡點是軌跡數據的基本單元，包含了具體的位置坐標和對應的時間戳，用于記錄某個對象在特定時間的精確位置。軌跡線由多個軌跡點依時間順序連接而成，描繪了對象在空間中的完整運動路徑，反映其動態行為和移動軌跡。而軌跡段則是軌跡線中的某一特定部分，通常根據時間段、事件或特定行為進行劃分，用于更精細地分析對象在某些時間或場景下的運動特征。這種多層次的結構設計，有助于更深入地理解和挖掘對象的時空行為模式。

１． ４ 軌跡數據特征

軌跡大數據作為大數據的一個典型實例，其多樣化的數據來源和復雜的數據結構充分體現了大數據的４Ｖ 特征［３］，即數據量（Ｖｏｌｕｍｅ）大、種類繁（Ｖａｒｉｅｔｙ）多、速度（Ｖｅｌｏｃｉｔｙ）快、價值密度（Ｖｅｒａｃｉｔｙ）低。具體的特點表現為大規模、高緯度、實時性以及時間空間相互關聯。

（１）大規模。軌跡大數據通常涉及大量數據點，每個數據點記錄了一個對象在特定時間和空間位置的信息。由于數據源的多樣性和數據采集的頻率，這些數據集可能非常龐大，達到ＴＢ 級別甚至ＰＢ 級別。

（２）高緯度。除了位置坐標，軌跡數據還可能包括時間戳、速度、加速度、方向、環境信息（如溫度、濕度）等。這些多維度的信息使得軌跡數據具有豐富的上下文和細節。

（３）實時性。軌跡數據可以是實時生成的，尤其是在動態環境中，如交通監控系統中的實時交通流量數據。實時數據的處理和分析要求高效的數據處理能力和系統響應速度。

（４）時間－空間關聯。軌跡數據在空間和時間上都有明確的關聯，每個數據點不僅包含位置坐標，還與時間戳關聯，形成時間序列數據。這種空間－時間關聯性使得軌跡數據可以反映移動對象的動態行為和模式。

１． ５ 軌跡大數據關鍵技術

軌跡大數據處理涉及多項關鍵技術，而數據存儲、軌跡索引與檢索，以及軌跡分析與挖掘是其中最核心的部分。采用的關鍵技術如圖１ 所示。

數據存儲是軌跡大數據處理的基礎，負責對海量的時空數據點進行高效的收集、存儲和管理，為后續的數據處理與分析提供堅實的底層支持。在此基礎上，軌跡索引與檢索技術則發揮了至關重要的作用，通過建立高效的時空索引結構，在大規模數據集中可以實現快速查詢和定位。索引優化了數據訪問路徑，使得復雜的時空范圍查詢、鄰近查詢以及軌跡相似性查詢等操作更加高效，為后續分析提供了精確且快速的數據提取能力。基于高效存儲和檢索的支持，軌跡分析與挖掘技術能夠在大規模軌跡數據中發現有價值的模式和信息。通過對軌跡數據的聚類、分類、預測和異常檢測等操作，挖掘出深層次的移動行為特征，幫助揭示軌跡背后的規律與趨勢。整體來看，三者共同構建了一個高效的軌跡大數據處理與分析體系。

２ 軌跡數據存儲

數據存儲是軌跡大數據處理的基礎，負責收集、存儲和管理大量時空數據點。由于軌跡數據具備時空屬性和海量數據，傳統存儲技術難以高效處理。為此，許多數據庫公司針對軌跡數據推出了可以存放軌跡信息的數據庫系統，具體可分為時空數據庫、空間數據庫、ＮｏＳＱＬ 數據庫、圖數據庫以及分布式文件系統。上述所提技術的特點及適用場景如表１所示。

軌跡數據的核心是時間和空間信息，因此，傳統的關系型數據庫難以處理其復雜的時空關系，時序數據庫和空間數據庫成為主流解決方案。時序數據庫（如ＴｉｍｅｓｃａｌｅＤＢ［４］、ＩｎｆｌｕｘＤＢ［５］）針對軌跡數據中的時間維度進行優化，能夠高效地存儲、檢索并處理大規模的時間序列數據。這類數據庫通過專門的時間戳索引結構加速基于時間范圍的查詢，適合處理連續的時間軌跡信息。空間數據庫（如ＰｏｓｔＧＩＳ［６］、Ｏｒａｃｌｅ Ｓｐａｔｉａｌ［１０］）通過內置的地理數據類型與空間索引機制（如Ｒ 樹［１１］、四叉樹［１２］等），優化了對空間位置相關數據的存儲與檢索能力，支持復雜的空間范圍查詢和空間計算（如距離、相交、包含等操作）。而時空數據庫則是將時序數據庫和空間數據庫進行結合，如Ｚｉｍáｎｙｉ 等［１３］提出了一種名為ＭｏｂｉｌｉｔｙＤＢ的高效時空數據庫，專門用于存儲、查詢、分析和可視化移動對象的軌跡。這一數據庫基于ＰｏｓｔｇｒｅＳＱＬ構建，創新性地引入了多種新的數據類型，以便更精準地表示移動對象的軌跡特征（如軌跡（ｔｒａｊｅｃｔｏｒｙ）、時空點（ｓｐｏｉｎｔ ）、移動點（ｍｐｏｉｎｔ ）和時空線（ｓｌｉｎｅ）），這些數據類型不僅可以存儲對象的位置信息，還能夠記錄速度、加速度等關鍵的時空屬性，為用戶提供了豐富的空間分析能力。通過ＭｏｂｉｌｉｔｙＤＢ，用戶能夠在復雜的時空數據環境中進行高效的查詢和分析，快速獲取所需信息。同時，數據庫的可視化功能使得用戶可以直觀地理解移動對象的行為模式和趨勢，進一步提升了數據的可用性和決策支持能力。這種數據庫的推出為相關領域的研究和應用提供了強大的工具，推動了時空數據管理和分析技術的發展。

為了高效管理軌跡大數據，數據存儲系統通常需要根據不同的數據特征和業務需求選擇合適的存儲結構。

（１）列式存儲。對于寫入密集型的軌跡數據（如車輛實時位置上傳），列式存儲系統（如ＨＢａｓｅ［１４］）通過按列組織數據，能夠提升數據寫入的性能，同時支持批量讀取操作。

（２）對象存儲。用于存儲非結構化或半結構化的軌跡數據，尤其適合大規模日志、傳感器數據的存儲，提供高效的擴展性和持久性，并且便于長期歸檔和訪問。

（３）混合存儲架構。在實際應用中，軌跡數據系統可能采用多種存儲技術的組合。例如，時序數據庫處理時間序列信息，空間數據庫管理地理位置信息，分布式文件系統存儲原始軌跡日志，三者共同作用，適應復雜的業務需求。

３ 軌跡數據索引與檢索

軌跡數據索引與檢索技術是軌跡大數據處理中至關重要的技術之一，它通過建立高效的數據結構和算法，能夠在海量時空數據中快速查找、定位、篩選相關的軌跡信息。軌跡數據的特殊性（時空數據點的連續性、移動性等）對索引結構和檢索方法提出了極高的要求，傳統的索引技術難以滿足高效的軌跡數據查詢需求。因此，針對軌跡數據的特性，研究人員提出了多種適應時空維度和大數據規模的索引結構與檢索算法。

３． １ 軌跡檢索

軌跡檢索技術旨在通過對軌跡索引的高效利用，快速實現對軌跡數據的查詢和篩選。根據查詢的需求，常見的軌跡檢索技術可以分為以下幾類。

（１）時空范圍查詢。時空范圍查詢是最常見的軌跡查詢類型，用戶可以指定特定的時間段和空間區域，檢索經過該區域的所有軌跡。這類查詢需要同時在時間和空間維度上進行過濾，依賴于時空索引結構。陳逸菲等［１５］針對目標對象與查詢發出者皆為不確定移動對象的情況，提出了一種時間區間上的距離范圍查詢，此類查詢搜索出數據集中在給定時間區間內，到查詢發出者距離不超過閾值的目標對象，查詢結果中包含對象滿足查詢條件的有效時間段和匹配度，提出了３ 種剪枝策略，給出了精煉和匹配度計算方法，在此基礎上設計了查詢處理算法。

（２）軌跡相似性查詢。軌跡相似性查詢是軌跡數據處理中一項核心技術，旨在從海量的軌跡數據集中找出與目標軌跡相似的軌跡［１６］。這種查詢在交通模式識別、用戶行為分析、異常檢測、路徑規劃等領域具有廣泛應用。軌跡相似性查詢不僅考慮軌跡的幾何形狀，還會結合軌跡的時間維度和運動模式等多種特征，以確定２ 個或多個軌跡在不同場景下的相似性。軌跡相似度的度量是相似度查詢的核心問題。熊偉等［１７］針對海量時空軌跡數據相似性查詢速度慢的問題，提出一種融合圖結構的時空軌跡相似性查詢算法。從空間維和時間維將軌跡建模為圖結構中的一條路徑，設計了一種同步匹配空間和時間距離的軌跡相似性度量函數。在此基礎上，設計了一種結合時間過濾的基于邊的倒排索引結構支持軌跡時空相似性查詢，同時利用距離上界的剪枝策略提高查詢性能。計算返回的相似軌跡集合中每條軌跡的距離并進行排序，得到相似度最高的前ｋ 個軌跡。由于許多的軌跡攜帶大量文本信息，而空間軌跡相似性研究考慮的是距離方面，缺少對于文本信息的考慮。王坤明［１８］針對這一問題，在空間相似性的基礎上增加對于文本相似性的考慮，同時將整個空間網格化，通過采用計算空間文本相似性上下限進行范圍查詢，得到最終的結果，使得軌跡相似性查詢更全面，也更具有說服力。熊偉等［１７］首次提出了Ｔｏｐ-ｋ 代表性相似子軌跡查詢問題，目的是在數據庫中搜索與查詢軌跡相似度最高的ｋ 個代表性相似子軌跡。為了避免Ｔｏｐ-ｋ 結果中的冗余信息，采用了“代表性相似”概念，即每個軌跡只報告與查詢相似度最高的子軌跡。

（３）鄰近查詢。鄰近查詢是指在給定的軌跡數據集中，找到距離某一目標點最近的軌跡或軌跡點。這類查詢廣泛應用于導航、位置服務等場景。其中最具代表的為Ｋ－最近鄰（ＫＮｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ，ＫＮＮ）查詢，這類查詢方法通過計算軌跡數據集中與目標點或目標軌跡最接近的Ｋ 條軌跡，利用ＫＤ 樹等空間索引結構可以顯著提升查詢效率。Ｃａｉ 等［１９］提出一種基于路網興趣點（Ｐｏｉｎｔ ｏｆ Ｉｎｔｅｒｅｓｔ，ＰＯＩ）分布的ＫＮＮ 查詢方法，利用位置基礎服務（Ｌｏｃａｔｉｏｎ ＢａｓｅｄＳｅｒｖｉｃｅｓ，ＬＢＳ），通過四叉樹索引技術，將路網中的節點轉換成一個緊湊的層級網格體系。在此基礎上，用戶可以根據自己的實時位置和移動速度確定所在的具體節點，并以此節點為起點，在網絡中尋找最近的Ｋ 個ＰＯＩ。用戶能夠創建一個包含這Ｋ 個ＰＯＩ 的隱蔽區域，通過利用四叉樹索引技術，將路網中的節點組織成一個輕量級的層次化網格結構。該結構能夠有效地劃分空間，便于高效管理和檢索。用戶首先根據當前位置和速度向量，結合網格結構，計算出當前所到達的節點。隨后，從該節點出發，用戶在路網中執行ＫＮＮ 搜索，以找到距離當前節點最近的Ｋ 個ＰＯＩ。為了保護隱私，用戶接著構建一個覆蓋這Ｋ 個ＰＯＩ 的隱蔽區域。通過在查詢請求中注入一定數量的虛假查詢信息，即使服務器得到了查詢請求，也無法確定用戶的真實位置，有效提高了查詢的隱私性和安全性［２０］。

（４）軌跡模式查詢。軌跡模式查詢的目標是找到與某種特定軌跡模式相匹配的軌跡，通常用于模式識別和行為分析。例如，交通監控系統可以通過軌跡模式查詢發現特定的交通模式（代表算法為模式匹配算法），這類查詢方法通常依賴于模式匹配算法，例如基于時間序列的模式匹配或空間模式匹配，通過對軌跡特征的識別和提取，找到符合模式的軌跡。

３． ２ 軌跡數據索引

軌跡索引技術旨在通過構建高效的數據結構，快速定位和查詢特定軌跡數據。軌跡數據的時空特性決定了它們與傳統數據有顯著不同，因此需要針對軌跡數據的特點，設計專門的索引方法。

在移動數據庫中，由于數據量巨大，單純依靠遍歷數據庫進行查詢難以滿足性能要求，因此，軌跡數據的高效檢索依賴于數據索引。索引結構能夠為移動數據庫中的對象提供快速且有針對性的訪問。通常情況下，軌跡數據庫中常用的索引結構包括時間索引、空間索引以及時空索引，這些索引技術的描述及其優缺點如表２ 所示。

４ 軌跡分析與挖掘

軌跡分析與挖掘是處理和理解時空數據的重要領域，旨在從大規模的軌跡數據中提取有價值的模式、知識和行為信息。這些技術已廣泛應用于智能交通、城市規劃、行為預測、個性化推薦等領域。隨著軌跡數據規模、維度及復雜性的不斷增長，研究者開發了多種算法與技術來有效處理、分析和挖掘軌跡數據。

４． １ 軌跡數據預處理

在進行軌跡分析與挖掘之前，通常需要對原始軌跡數據進行預處理，以提高數據質量和分析效率。預處理主要涉及以下幾個步驟：首先需要對數據進行去噪處理，由于軌跡數據通常受到傳感器誤差、數據丟失或其他外部因素的影響，可能會包含噪聲，常用的去噪方法包括基于平滑算法和規則化方法。然后對缺失的數據進行清理，由于采樣間隔不一致或數據丟失，軌跡數據可能存在不完整的情況。插值算法被用來填補缺失的數據點。最后對軌跡分段，有時需要將一條長軌跡分割成多個短軌跡，以便對不同行為模式進行分析。分段方法通常基于速度、加速度、停留點等參數。

４． ２ 軌跡模式挖掘

軌跡模式挖掘是指從大規模軌跡數據中發現有規律的移動模式或行為模式。這些模式可以幫助理解群體行為、交通模式以及個體的移動特征。常見的軌跡模式挖掘技術如下。

４． ２． １ 頻繁模式挖掘

頻繁模式挖掘旨在發現軌跡數據中出現頻率較高的子軌跡或模式。這種技術通常用于識別常見的移動路線或交通流量集中的區域。常用的方法包括：

（１）Ａｐｒｉｏｒｉ 算法［２５］。最早用于市場籃球分析，后被擴展到軌跡挖掘中，用于發現頻繁的軌跡模式。

（２）ＰｒｅｆｉｘＳｐａｎ 算法［２６］。基于序列模式挖掘的思路，用來尋找軌跡數據中的頻繁子序列。

４． ２． ２ 聚類分析

軌跡聚類用于將相似的軌跡歸為一類，揭示群體行為模式。軌跡聚類技術需要同時考慮空間和時間維度，常用的聚類算法包括：

（１）基于密度的聚類。通過定義鄰域半徑和最小點數，將軌跡數據劃分為不同的簇。該方法能夠處理具有噪聲和不規則形狀的軌跡數據。

（２）Ｋｍｅａｎｓ 聚類［２７］。雖然傳統的Ｋｍｅａｎｓ 聚類只處理空間數據，但通過引入時間維度的擴展（如Ｃｏｓｅｎｔｉｎｏ 等［２８］提出的Ｓｐａｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ ＫＭｅａｎｓ 聚類算法），可以用于時空軌跡的聚類。

（３）軌跡形狀相似聚類。通過使用Ｆｒéｃｈｅｔ 距離、動態時間規整等度量方法，將具有相似形狀的軌跡聚集在一起，用于路徑相似性分析。

４． ２． ３ 停留點檢測

停留點檢測旨在從軌跡數據中識別個體在某一特定區域的長時間停留。停留點的檢測可以幫助理解用戶的ＰＯＩ，并用于行為分析和興趣推薦。

（１）基于速度的檢測。通過分析軌跡中的速度變化，判斷個體是否在某一地點長時間停留。

（２）基于時空網格的檢測。將空間劃分為網格，通過軌跡點的密集度和駐留時間來檢測停留點。

４． ２． ４ 移動模式挖掘

移動模式挖掘（如群體模式、周期性模式、順序模式等）專注于發現個體或群體在時間和空間中的規律性移動行為。

（１）群體模式。通過分析多個個體的軌跡，發現它們在某些時空區域內存在一致的移動行為。常用于社交網絡分析、集體行為研究。

（２）周期性模式。通過檢測軌跡的時間規律，識別個體的日常行為模式。例如，周期性模式挖掘可以幫助發現用戶的日常通勤路線或特定時間段的交通擁堵情況。

４． ３ 軌跡預測

軌跡預測是軌跡挖掘中的重要任務，旨在預測未來某個時間點個體的可能位置，在智能交通、個性化推薦、物流管理等領域具有重要應用價值。

４． ３． １ 基于統計模型的預測

（１）馬爾可夫模型［２９］：利用軌跡數據中的時間依賴性，將個體的當前位置與之前的狀態相關聯。通過計算狀態轉移概率，預測個體未來可能的軌跡。

（２）隱馬爾可夫模型（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ，ＨＭＭ）［３０］：擴展馬爾可夫模型的能力，能夠處理隱含狀態下的軌跡變化情況，適用于具有多種行為模式的軌跡預測任務。

４． ３． ２ 基于深度學習的預測

（１）循環神經網絡（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）［３１］：由于軌跡具有時序特性，被廣泛用于軌跡預測。ＲＮＮ 能夠有效捕捉軌跡的時間依賴性，適合處理長期的軌跡序列。

（２ ）長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）［３２］：ＬＳＴＭ 網絡是ＲＮＮ 的變種，能夠克服普通ＲＮＮ 在長期依賴中的梯度消失問題。ＬＳＴＭ 在軌跡預測中的表現尤為突出，適用于復雜的時空軌跡預測任務。

（３ ）圖神經網絡（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）［３３］：近年來，ＧＮＮ 被引入到軌跡預測中，特別是對于交通網絡等圖結構數據，能夠有效建模節點之間的空間關系和軌跡傳播特性。

４． ３． ３ 基于序列模式的預測

基于序列模式的預測主要用于從時間序列或其他有序數據中提取潛在的模式，并利用這些模式進行未來趨勢或事件的預測，通過挖掘軌跡數據中的序列模式，可以推斷出個體的未來行為。例如，在交通預測中，可以根據歷史交通數據的序列模式預測未來的交通流量和擁堵情況。

４． ４ 軌跡異常檢測

軌跡異常檢測旨在從軌跡數據中識別異常行為或異常模式，對于公共安全、異常事件檢測、交通監控等應用至關重要。

（１）基于密度的異常檢測。通過比較軌跡點的密度分布，判斷某個軌跡或軌跡片段是否為異常行為。

（２）基于統計的異常檢測。利用統計學方法，分析軌跡數據的分布特性，識別偏離正常分布的異常軌跡。例如，通過分析軌跡的運動速度、方向變化等屬性來檢測異常行為。

（３）基于機器學習的異常檢測。機器學習方法可以通過學習正常軌跡的特征，識別出與正常模式不同的異常軌跡［３４］。深度學習模型也被用于軌跡異常檢測，能夠自動提取軌跡的高維特征。

５ 結束語

隨著空間數據智能和軌跡大數據領域的持續進步，軌跡大數據技術正逐步成熟和完善。未來，可以對以下技術領域進行深入探索和研究。

（１）多維度融合分析。未來的軌跡大數據處理不僅局限于時空數據的分析，還將與其他維度的數據相結合，形成多維度數據融合分析，如結合用戶的活動軌跡與其行為模式進行綜合分析，幫助智能推薦、個性化服務等領域的發展以及通過引入語義標簽，提高軌跡分析的理解深度，揭示用戶出行的動機和背景，進行語義化的軌跡分析。

（２）實時軌跡處理和邊緣計算。隨著物聯網的普及，未來將產生大量的實時軌跡數據，需要更強大的實時處理能力。傳統的中心化計算模式難以滿足這樣的需求，邊緣計算和分布式處理技術將成為主流。

（３）隱私保護與數據安全。隨著軌跡數據應用的深入，隱私泄露和數據安全問題日益受到關注。未來將需要更加嚴格的隱私保護技術［３５］，確保用戶的軌跡數據在分析和應用中得到安全保護。引入差分隱私技術，在保證數據分析準確性的前提下，最大限度地保護用戶隱私。通過加密數據進行計算，確保在數據分析過程中，敏感信息不會泄露。研究如何在不同機構間實現安全的軌跡數據共享與計算（如聯邦學習），在多個數據源之間進行聯合分析，保護數據隱私的同時提高數據利用率。

（４）自適應軌跡挖掘算法。未來的軌跡挖掘算法需要能夠自適應數據的變化和動態特征，具備更高的靈活性和自動化程度。特別是在數據分布不均或變化頻繁的場景下，算法需要動態調整，以適應新的數據模式。隨著軌跡數據的不斷更新，未來的軌跡挖掘技術需要具備實時學習的能力，從新數據中不斷優化模型。在動態環境下，自適應聚類和預測技術可以隨時調整模型，以應對軌跡模式的快速變化。

總體來看，軌跡大數據的未來發展將依托更強大的計算能力、智能算法和隱私保護機制，并通過跨領域的深度融合和應用擴展，推動軌跡數據在空間數據智能領域的進一步發展。

參考文獻

［１］ ＷＯＬＦＳＯＮ Ｏ，ＸＵ Ｂ，ＣＨＡＭＢＥＲＬＡＩＮ Ｓ，ｅｔ ａｌ． Ｍｏｖｉｎｇ Ｏｂｊｅｃｔｓ Ｄａｔａｂａｓｅｓ：Ｉｓｓｕｅｓ ａｎｄ Ｓｏｌｕｔｉｏｎｓ ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｅｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｃｉｅｎｔｉｆｉｃ ａｎｄ Ｓｔａｔｉｓ ｔｉｃａｌ Ｄａｔａｂａｓｅ Ｍａｎａｇｅｍｅｎｔ． Ｃａｐｒｉ：ＩＥＥＥ，１９９８：１１１－１２２．

［２］ 宋軒，孟小峰，劉克． 空間數據智能技術發展及應用分析［Ｊ］． 中國科學基金，２０２３，３７（６）：１０３９－１０４６．

［３］ 高強，張鳳荔，王瑞錦，等． 軌跡大數據：數據處理關鍵技術研究綜述［Ｊ］． 軟件學報，２０１７，２８（４）：９５９－９９２．

［４］ ＳＨＥＮ Ｃ Ｈ，ＯＵＹＡＮＧ Ｑ Ｙ，ＬＩ Ｆ Ｂ，ｅｔ ａｌ． Ｌｉｎｄｏｒｍ ＴＳＤＢ：Ａ Ｃｌｏｕｄｎａｔｉｖｅ Ｔｉｍｅｓｅｒｉｅｓ Ｄａｔａｂａｓｅ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ Ｍｏｎｉｔｏｒｉｎｇ Ｓｙｓｔｅｍｓ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ Ｅｎｄｏｗｍｅｎｔ，２０２３，１６（１２）：３７１５－３７２７．

［５］ ＮＡＱＶＩ Ｓ Ｎ Ｚ，ＹＦＡＮＴＩＤＯＵ Ｓ． Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａｂａｓｅｓａｎｄ ＩｎｆｌｕｘＤＢ ［Ｒ］． ＢｒｕｘｅＵｅｓ：Ｕｎｉｖｅｒｓｉｔé Ｌｉｂｒｅ ｄｅ Ｂｒｕｘｅｌｌｅｓ，２０１７．

［６］ ＳＨＵＫＬＡ Ｄ，ＳＨＩＶＮＡＮＩ Ｃ，ＳＨＡＨ Ｄ． Ｃｏｍｐａｒｉｎｇ Ｏｒａｃｌｅ Ｓｐａｔｉａｌ ａｎｄ Ｐｏｓｔｇｒｅｓ ＰｏｓｔＧＩＳ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ＆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ，２０１６，７（６）：９５－１００．

［７］ ＭＩＬＬＥＲ Ｊ Ｊ． Ｇｒａｐｈ Ｄａｔａｂａｓｅ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｃｏｎｃｅｐｔｓ ｗｉｔｈ Ｎｅｏ４ｊ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｏｕｔｈｅｒｎ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｃｏｎｆｅｒｅｎｃｅ． Ａｔｌａｎｔａ：［ｓ． ｎ． ］，２０１３：１４１－１４７．

［８］ ＣＨＯＩ Ｄ Ｊ，ＢＡＥＫ Ｙ Ｈ，ＬＥＥ Ｓ Ｍ，ｅｔ ａｌ． Ｄｅｓｉｇｎ ａｎｄ Ｉｍｐｌｅ ｍｅｎｔａｔｉｏｎ ｏｆ ａ Ｂｅｎｃｈｍａｒｋｉｎｇ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ ＡｒａｎｇｏＤＢ［Ｊ ］． Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｋｏｒｅａ Ｃｏｎｔｅｎｔｓ Ａｓｓｏｃｉａｔｉｏｎ，２０２１，２１（９）：１９８－２０８．

［９］ ＣＨＩＣＨＯ Ｂ，ＭＯＨＡＭＭＥＤ Ａ Ｏ． Ａｎ Ｅｍｐｉｒｉｃａｌ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｎｅｏ４ｊ ａｎｄ Ｔｉｇｅｒｇｒａｐｈ Ｄａｔａｂａｓｅｓ ｆｏｒ Ｎｅｔｗｏｒｋ Ｃｅｎｔｒａｌｉｔｙ［Ｊ］． Ｓｃｉｅｎｃｅ Ｊｏｕｒｎａｌ ｏｆ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｚａｋｈｏ，２０２３，１１（２）：１９０－２０１．

［１０］ ＡＬＡＭ Ｍ Ｍ，ＴＯＲＧＯ Ｌ，ＢＩＦＥＴ Ａ． Ａ Ｓｕｒｖｅｙ ｏｎ Ｓｐａｔｉｏｔｅｍ ｐｏｒａｌ Ｄａｔａ Ａｎａｌｙｔｉｃｓ Ｓｙｓｔｅｍｓ ［ＥＢ ／ ＯＬ］（２０２１ － ０３ － １７）［２０２４－０１－０３］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ｐｄｆ ／ ２１０３． ０９８８３．

［１１］ 宋？蛟，周佳悅，王龍浩，等． 采用Ｒ 樹和軌跡分段的ＨＭＭ 高效地圖匹配方法［Ｊ］． 系統仿真學報，２０２３，３５（２）：３３９－３４９．

［１２］ 王浩，王江北，羅浩東，等． 基于改進四叉樹和比例邊界有限元法的自適應設計域拓撲優化方法［Ｊ］． 中國機械工程，２０２４，３５（５）：９０４－９１５．

［１３］ ＺＩＭ？ＮＹＩ Ｅ，ＳＡＫＲ Ｍ，ＬＥＳＵＩＳＳＥ Ａ． ＭｏｂｉｌｉｔｙＤＢ：Ａ Ｍｏ ｂｉｌｉｔｙ Ｄａｔａｂａｓｅ Ｂａｓｅｄ ｏｎ ＰｏｓｔｇｒｅＳＱＬ ａｎｄ ＰｏｓｔＧＩＳ ［Ｊ］．ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｄａｔａｂａｓｅ Ｓｙｓｔｅｍｓ （ＴＯＤＳ），２０２０，４５（４）：１－４２．

［１４］ 王浩成． 基于ＨＢａｓｅ 的軌跡大數據管理研究［Ｄ］． 武漢：武漢大學，２０２３．

［１５］ 陳逸菲，王玉芳，趙麗玲，等． 時間區間上的不確定移動對象距離范圍查詢［Ｊ］． 計算機系統應用，２０１７，２６（２）：１８９－１９４．

［１６］ 王維澤． 大規模軌跡數據相似性查詢系統的研究與設計［Ｄ］． 大連：大連理工大學，２０２１．

［１７］ 熊偉，熊淑怡，曹競之，等． 一種融合圖結構的時空軌跡相似性查詢算法［Ｊ］． 應用科學學報，２０２３，４１（１）：１０－２２．

［１８］ 王坤明． 基于學習的高效Ｔｏｐｋ 代表性相似子軌跡查詢［Ｄ］． 廣州：廣州大學，２０２４．

［１９］ ＣＡＩ Ｚ， ＳＨＩ Ｗ， ＬＩＵ Ｙ． ＭｕｌｔｉＵＡＶ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｍｏｎｉｔｏｒｉｎｇ ｆｏｒ Ｈｉｇｈｗａｙ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｓｉｔｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２０１９，３８（１３）：３６１３－３６２６．

［２０］ 韋方良． 路網上ｋＮＮ 查詢算法的研究［Ｄ］． 大連：大連海事大學，２０２２．

［２１］ ＧＵＴＴＭＡＮ Ａ． Ｒｔｒｅｅｓ：Ａ Ｄｙｎａｍｉｃ Ｉｎｄｅｘ Ｓｔｒｕｃｔｕｒｅ ｆｏｒ Ｓｐａｔｉａｌ Ｓｅａｒｃｈｉｎｇ ［Ｊ］． ＡＣＭ ＳＩＧＭＯＤ Ｒｅｃｏｒｄ，１９８４，１４（２）：４７－５７．

［２２］ 丁治國，朱學永，郭立，等． 自適應多叉樹防碰撞算法研究［Ｊ］． 自動化學報，２０１０，３６（２）：２３７－２４１．

［２３］ ＬＥＵＴＥＮＥＧＧＥＲ Ｓ Ｔ，ＬＯＰＥＺ Ｍ Ａ，ＥＤＧＩＮＧＴＯＮ Ｊ．ＳＴＲ：Ａ Ｓｉｍｐｌｅ ａｎｄ Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｒｔｒｅｅ Ｐａｃｋｉｎｇ ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ １３ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｂｉｒｍｉｎｇｈａｍ：ＩＥＥＥ，１９９７：４９７－５０６．

［２４］ ＦＥＫＩＨＡＬ Ｍ，ＪＡＬＵＴＡ Ｉ，ＳＡＩＮＩ Ｄ Ｋ． ＴＢ ± ｔｒｅｅ：Ｉｎｄｅｘ Ｓｔｒｕｃｔｕｒｅ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ Ｓｙｓｔｅｍｓ ［Ｃ］∥ ２０１５ Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，ａｎｄ Ｓｏｃｉａｌ Ｍｅｄｉａ． Ｌｏｄｚ：ＩＥＥＥ，２０１５：１８２－１８６．

［２５］ ＨＥＧＬＡＮＤ Ｍ，ＤＥＤＭＡＮ Ｊ，ＨＥＧＬＡＮ Ｍ． Ｔｈｅ Ａｐｒｉｏｒｉ ＡｌｇｏｒｉｔｈｍＡ Ｔｕｔｏｒｉａｌ ［Ｊ］． Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎ ｉｎ Ｉｍａｇｉｎｇ Ｓｃｉｅｎｃｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ，２００７（１０）：２０９－２６２．

［２６］ ＳＡＲＡＦ Ｐ Ｐ，ＳＥＤＡＭＫＡＲ Ｒ，ＲＡＴＨＩ Ｓ． ＰｒｅｆｉｘＳｐａｎ Ａｌｇｏ ｒｉｔｈｍ ｆｏｒ Ｆｉｎｄｉｎｇ Ｓｅｑｕｅｎｔｉａｌ Ｐａｔｔｅｒｎ ｗｉｔｈ Ｖａｒｉｏｕｓ Ｃｏｎ ｓｔｒａｉｎｔｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１５，９（３）：３７－４１．

［２７］ ＫＲＩＳＨＮＡ Ｋ，ＭＵＲＴＹ Ｍ Ｎ． Ｇｅｎｅｔｉｃ Ｋｍｅａｎｓ ａｌｇｏｒｉｔｈｍ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，Ｐａｒｔ Ｂ（Ｃｙｂｅｒｎｅｔｉｃｓ），１９９９，２９（３）：４３３－４３９．

［２８］ ＣＯＳＥＮＴＩＮＯ Ｒ，ＢＡＬＥＳＴＲＩＥＲＯ Ｒ，ＢＡＨＲＯＵＮ Ｙ，ｅｔ ａｌ．Ｓｐａｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ Ｋｍｅａｎｓ ［Ｃ］∥２０２２ ５６ｔｈ Ａｓｉｌｏｍａｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｉｇｎａｌｓ，Ｓｙｓｔｅｍｓ，ａｎｄ Ｃｏｍｐｕｔｅｒｓ． Ｐａｃｉｆｉｃ Ｇｒｏｖｅ：ＩＥＥＥ，２０２２：１４４４－１４４８．

［２９］ ＲＯＳＳ Ａ，ＫＩＭ Ｊ，ＭＣＫＡＹ Ｍ，ｅｔ ａｌ． Ｔｈｅ Ｅｃｏｎｏｍｉｃｓ ｏｆ ａ Ｎａｔｉｏｎａｌ Ａｎｔｅｒｉｏｒ Ｃｒｕｃｉａｔｅ Ｌｉｇａｍｅｎｔ Ｉｎｊｕｒｙ Ｐｒｅｖｅｎｔｉｏｎ Ｐｒｏｇｒａｍ ｆｏｒ Ａｍａｔｅｕｒ Ｆｏｏｔｂａｌｌ Ｐｌａｙｅｒｓ：Ａ Ｍａｒｋｏｖ Ｍｏｄｅｌ Ａｎａｌｙｓｉｓ［Ｊ］． Ｔｈｅ Ｍｅｄｉｃａｌ ｊｏｕｒｎａｌ ｏｆ Ａｕｓｔｒａｌｉａ，２０２４，２２１（３）：１４９－１５５．

［３０］ ＥＤＤＹ Ｓ Ｒ． Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ［Ｊ］． Ｃｕｒｒｅｎｔ Ｏｐｉｎｉｏｎ ｉｎ Ｓｔｒｕｃｔｕｒａｌ Ｂｉｏｌｏｇｙ，１９９６，６（３）：３６１－３６５．

［３１］ ＫＡＲＩＴＡ Ｓ，ＣＨＥＮ Ｎ Ｘ，ＨＡＹＡＳＨＩ Ｔ，ｅｔ ａｌ． Ａ Ｃｏｍｐａｒａｔｉｖｅ Ｓｔｕｄｙ ｏｎ Ｔｒａｎｓｆｏｒｍｅｒ ｖｓ ＲＮＮ ｉｎ Ｓｐｅｅｃｈ Ａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］∥２０１９ ＩＥＥＥ Ａｕｔｏｍａｔｉｃ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｗｏｒｋｓｈｏｐ． Ｓｉｎｇａｐｏｒｅ：ＩＥＥＥ，２０１９：４４９－４５６．

［３２］ ＹＵ Ｙ，ＳＩ Ｘ Ｓ，ＨＵ Ｃ Ｈ，ｅｔ ａｌ． Ａ Ｒｅｖｉｅｗ ｏｆ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕ ｒａｌ Ｎｅｔｗｏｒｋｓ：ＬＳＴＭ Ｃｅｌｌｓ ａｎｄ Ｎｅｔｗｏｒｋ Ａｒｃｈｉｔｅｃｔｕｒｅｓ［Ｊ］．Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，２０１９，３１（７）：１２３５－１２７０．

［３３］ ＬＡＩ Ｋ Ｈ，ＺＨＡ Ｄ Ｃ，ＺＨＯＵ Ｋ Ｘ，ｅｔ ａｌ． ＰｏｌｉｃｙＧＮＮ：Ａｇｇｒｅｇａ ｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２６ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ＆ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０２０：４６１－４７１．

［３４］ 柴曼妮． 基于注意力機制的車輛異常軌跡檢測［Ｊ］． 現代計算機，２０２４，３０（３）：７１－７５．

［３５］ 鄒彬． 云環境下大數據計算機處理技術應用分析［Ｊ］．信息與電腦（理論版），２０２３，３５（２４）：１６－１８．

作者簡介

李任杰 男，（２００１—），碩士研究生。主要研究方向：軌跡預測、數據挖掘、人工智能。

（通信作者）韓 楠 女，（１９８４—），博士，副教授。主要研究方向：時空數據庫、人工智能。

李 慶 男，（１９９７—），碩士研究生。主要研究方向：軌跡預測、移動數據挖掘、數據庫。

相東升 男，（２００１—），碩士研究生。主要研究方向：數據挖掘、生物信息。

楊博淵 男，（２０００—），碩士研究生。主要研究方向：人工智能、軌跡預測。

張杉彬 男，（１９９８—），碩士研究生。主要研究方向：軌跡預測、數據挖掘、軌跡大數據。

王家偉 男，（２００１—），碩士研究生。主要研究方向：人工智能、生物信息、序列分類。

吳紹偉 男，（２００１—），碩士研究生。主要研究方向：人工智能、大數據、時空數據庫。

黃 晨 男，（１９９９—），碩士研究生。主要研究方向：ＡＩ ｆｏｒ ＤＢ、人工智能、時空數據庫。