針對傳統(tǒng)移動軌跡模式挖掘方法挖掘速度慢、占用最大內(nèi)存大的問題，提出一種基于空間鄰近搜索的移動軌跡相對時間模式挖掘方法。該方法包括5個階段：1）對移動軌跡數(shù)據(jù)進行時空劃分，并基于移動軌跡數(shù)據(jù)與時空格的匹配得到移動軌跡數(shù)據(jù)對應(yīng)的時空格序列。2）掃描所有的時空格序列數(shù)據(jù)得到空間網(wǎng)格集合，并通過空間網(wǎng)格與時空格序列的包含運算得到所有的頻繁空間網(wǎng)格。3）頻繁空間網(wǎng)格轉(zhuǎn)變?yōu)殚L度為1的頻繁相對時間模式。4）基于空間鄰近搜索的方式進行模式增長，得到以頻繁空間網(wǎng)格為單元的候選相對時間模式，并通過相對時間模式與時空格序列的匹配運算，計算相對時間模式的支持度。5）基于設(shè)定的支持度閾值，得到所有頻繁的相對時間模式。實驗結(jié)果表明：所提方法由于采用了基于空間鄰近搜索的方式進行模式擴展，大幅減小候選相對時間模式的搜索范圍。與傳統(tǒng)方法相比，所提方法具有挖掘速度快、占用最大內(nèi)存少的優(yōu)點。另外，方法在運行時間上具有更好的穩(wěn)定性和可擴展性，而在占用最大內(nèi)存上的穩(wěn)定性與可擴展性與傳統(tǒng)方法基本相近。該方法有助于移動軌跡模式挖掘方法提升挖掘速度、減少占用最大內(nèi)存。

　　隨著定位技術(shù)與移動通信技術(shù)的快速發(fā)展，基于位置服務(wù)（ Location Based Service， LBS ）的應(yīng)用產(chǎn)生了大量具有時空特性的移動軌跡數(shù)據(jù)。挖掘移動軌跡數(shù)據(jù)從中發(fā)現(xiàn)隱含、有用的移動軌跡序列模式11-21 ，對于分析、預測人類或動物的相關(guān)行為習慣具有重要的參考價值。在生態(tài)學中，分析動物的運動路線，可以幫助我們更好地理解它們的行為習慣，當一些動物的運動模式突然改變時，有可能預示即將發(fā)生某些地質(zhì)災(zāi)難（例如，地震、海嘯等）［3］。在城市智能交通系統(tǒng)中，從大量車輛、行人的運動軌跡數(shù)據(jù)中發(fā)現(xiàn)頻繁的移動軌跡序列模式，可以輔助交通規(guī)劃、交通疏導等［91 。在商業(yè)應(yīng)用領(lǐng)域，從記錄人們?nèi)粘３鲂行袨榱晳T的運動軌跡數(shù)據(jù)中，挖掘移動軌跡序列模式并與商業(yè)管理系統(tǒng)中客戶信息關(guān)聯(lián)，可以實現(xiàn)位置場景感知的商品推薦、目標客戶定向廣告投送等