從出租車GPS軌跡數據中可挖掘出豐富的居民出行規律信息，但數據量的不斷增加，對數據挖掘的準確性和效率提出了新的要求。本文以成都市出租車GPS軌跡數據為研究對象，首先對原始數據進行失真數據剔除、多余字段刪除和部分時段數據過濾三方面的預處理，其次進行地圖匹配，最后利用Spark大數據處理平臺，實現K-Means||算法，分為工作日和休息日的不同時段進行挖掘分析，得到成都市居民出行熱點區域及其時空分布特征，并將單機K-Means算法和K-Means||算法的性能進行對比分析，結果表明：相比于單機，K-Means||算法在準確性和時間效率上具有優越性。

　　隨著城市中出租車數量的不斷增多，GPS 衛星定位技術的不斷發展與普及，裝有車載GPS 的出租車在行駛過程中產生了大量的出租車軌跡數據，記錄了車輛的位置、時間、方位和速度等信息，通過挖掘出租車GPS 軌跡數據可用于分析車輛移動軌跡特征、預測交通流、改善交通服務，對城市交通管理、道路規劃具有重要意義。

　　城市熱點區域通常是人流量大、商業發達、經濟水平發展高的中心地區，利用出租車軌跡數據提取城市熱點區域的方法主要有根據數據場勢值閾值法探測軌跡點的聚集模式進行提取，基于高斯定律的軌跡挖掘方法，將軌跡轉換為網格序列進行聚類。但由于出租車GPS 軌跡數據數量龐大且分布狀態多樣，因此對軌跡數據挖掘的方法提出了新的要求，需要研究高效的分布式并行軌跡數據挖掘算法。借鑒傳統研究方法之后，結合現在流行的Spark 大數據處理平臺，優化K-Means 聚類算法，將成都市出租車GPS 軌跡數據進行研究，挖掘分析工作日休息日不同時段的數據，得到居民出行熱點區域及其分布特點，并將單機K-Means 算法和K-Means||算法的時間效率進行對比，結果表明后者在處理大數據量的時間效率上有較好的效果。