城市中人类移动轨迹数据能够揭示城市动态和人类移动行为相关的隐含事实,而数据挖掘、机器学习等一系列数据利用和知识发现手段,为推动各领域对轨迹数据的研究提供了有力支撑,轨迹数据分析本质上是对地理信息的处理,是GIS分析能力的技术拓展。城市生活并不是一成不变的,偶尔有一些因素比如事件的影响,使得人群出现不同于寻常移动模式的行为,移动轨迹数据在记录城市中群体规律出行足迹的同时,也隐含了人群的异常移动行为信息,反映了事件对人群的出行影响,间接记录了事件的过程。检测和分析异常,有助于理解异常的内在规律,促使做出更合理的异常处理决策,从而减小异常带来的损失。本文从轨迹的两种表现形式:曲线和移动时空范围,基于出租车轨迹数据进行异常轨迹模式提取和城市的事件检测与分析,得到的结果能为城市智能交通建设和公共安全管理等提供指导信息。本文主要研究工作如下:1)出租车异常轨迹模式发现。将轨迹视为曲线,以城市中相同起终点间移动的出租车轨迹为研究对象,为增加异常轨迹的可解释性,按照轨迹行驶时间耗费属性特征或曲线空间特征是否异常,来判断轨迹时、空间特征的异常状态,并划分为四类轨迹模式:标准轨迹、时间异常、空间异常和时空异常轨迹。在轨迹分析中,根据轨迹转角大小,将轨迹分割成若干近似轨迹片段,采用线段Hausdorff距离比较轨迹局部特征,给出了受轨迹长度约束的轨迹空间相似判断规则,最后使用基于密度聚类的方法实现对空间特征的异常检测,使用k倍标准差准则来分离行驶时间耗费超过阈值的异常轨迹。实验结果分析表明,该方法能从轨迹中挖掘出择路行为、个性化路线、异常停留位置和交通路段等信息。2)事件检测与分析。将出租车轨迹用OD对信息概括,利用下车点数据反映的出行量特征来刻画区域出行动态,以单个区域单个时间段作为感知城市异常动态的最小时空单元,采用基于似然比检验方法LRT(Likelihood Ratio Test),从出租车轨迹数据中检测出城市在一段时间范围内出现的大量异常(本文称为元事件),在此基础上,探讨了由轨迹数据分析事件的一种新思路,分析元事件的时空特征和事件时空演变过程,根据元事件中出行量的变化幅度评估事件对城市生活的影响,并提出从大量元事件中提取复合时空事件的类DBSCAN方法,分析事件的连续时空信息,来得到有意义的发现。3)异常聚集行为发现。出行量特征在刻画区域出行动态上无法体现群体出行目的差异,因此基于反映出行目的的位置点群提出了聚集行为的概念,并且将表现为异常聚集行为的事件视为特殊事件,相比其他事件具有更高的警醒度。利用改进后的平均k最近邻指数判断更合理的聚集模式点群,为发现聚集行为奠定了数学基础;为进一步分析聚集行为,构建位置特征向量描述聚集点群的位置分布,向量间相似度用余弦距离计算;提出基于聚类的聚集行为模式分析方法,有助于更深入地解读区域人群出行规律;提出基于LRT和基于距离的异常检测方法,从区域下车点数据中发现异常集群行为,得到特殊事件的发生时间和位置空间分布状态,有助于指导城市街区的安全管理和资源合理配置。