針對(duì)傳統(tǒng)移動(dòng)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(dòng)軌跡相對(duì)時(shí)間模式挖掘方法。該方法包括5個(gè)階段：1）對(duì)移動(dòng)軌跡數(shù)據(jù)進(jìn)行時(shí)空劃分，并基于移動(dòng)軌跡數(shù)據(jù)與時(shí)空格的匹配得到移動(dòng)軌跡數(shù)據(jù)對(duì)應(yīng)的時(shí)空格序列。2）掃描所有的時(shí)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(shí)空格序列的包含運(yùn)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(duì)時(shí)間模式。4）基于空間鄰近搜索的方式進(jìn)行模式增長，得到以頻繁空間網(wǎng)格為單元的候選相對(duì)時(shí)間模式，并通過相對(duì)時(shí)間模式與時(shí)空格序列的匹配運(yùn)算，計(jì)算相對(duì)時(shí)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(duì)時(shí)間模式。實(shí)驗(yàn)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(jìn)行模式擴(kuò)展，大幅減小候選相對(duì)時(shí)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(diǎn)。另外，方法在運(yùn)行時(shí)間上具有更好的穩(wěn)定性和可擴(kuò)展性，而在占用最大內(nèi)存上的穩(wěn)定性與可擴(kuò)展性與傳統(tǒng)方法基本相近。該方法有助于移動(dòng)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(dòng)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(shí)空特性的移動(dòng)軌跡數(shù)據(jù)。挖掘移動(dòng)軌跡數(shù)據(jù)從中發(fā)現(xiàn)隱含、有用的移動(dòng)軌跡序列模式11-21 ，對(duì)于分析、預(yù)測(cè)人類或動(dòng)物的相關(guān)行為習(xí)慣具有重要的參考價(jià)值。在生態(tài)學(xué)中，分析動(dòng)物的運(yùn)動(dòng)路線，可以幫助我們更好地理解它們的行為習(xí)慣，當(dāng)一些動(dòng)物的運(yùn)動(dòng)模式突然改變時(shí)，有可能預(yù)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(yùn)動(dòng)軌跡數(shù)據(jù)中發(fā)現(xiàn)頻繁的移動(dòng)軌跡序列模式，可以輔助交通規(guī)劃、交通疏導(dǎo)等［91 。在商業(yè)應(yīng)用領(lǐng)域，從記錄人們?nèi)粘３鲂行袨榱?xí)慣的運(yùn)動(dòng)軌跡數(shù)據(jù)中，挖掘移動(dòng)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(shí)現(xiàn)位置場景感知的商品推薦、目標(biāo)客戶定向廣告投送等