不断普及的位置传感器、飞速发展的移动互联网以及日益完善的基于4G的通信设施,使得各行各业正在以越来越快的速度产生移动对象轨迹数据。大规模轨迹数据除了对数据存储与管理能力提出了更高的要求,更重要一个挑战是应用轨迹数据挖掘分析方法,快速从中提取出有效的信息和规律。作为移动对象时空轨迹数据挖掘中最常用的一种无监督分类方法,聚类分析可以用来进行轨迹信息的分析与处理。轨迹聚类分析指的是根据轨迹之间定义的某种相似度度量准则计算轨迹之间的相似程度,从而将具有相似的结构的轨迹划分到同一个簇中。经典轨迹(Classic Trajectory)是从轨迹聚类簇中提取的一条有代表性的轨迹,它描述了一个聚类簇中的轨迹的总体运动模式,某种程度上能够被认为是轨迹聚类簇的一个模型。经典轨迹生成是指从轨迹聚类簇中选择一条已有轨迹或者生成一条新的合成轨迹作为代表聚类簇的经典轨迹。从轨迹聚类簇中生成经典轨迹并进行相关分析,能够提取出轨迹聚类相关的大量有用信息,作为对轨迹进行预测等进一步分析的基础。综上,本文希望基于轨迹密度峰值聚类算法,设计一个同时适用于受限空间和非受限空间中的轨迹数据的经典轨迹生成框架。该框架主要包括以下内容:1)轨迹相似度距离计算。根据现有轨迹相似度距离度量的特点,并考虑轨迹噪声点对于相似度距离计算效果的影响,基于SSPD距离提出改进的轨迹相似度距离度量指标—SSPDP距离,计算轨迹相似度距离矩阵。2)轨迹聚类。考虑到原始轨迹数据集中轨迹形状多样、运动模式复杂且一般存在大量噪声点,选择密度峰值聚类作为轨迹聚类算法。原始密度峰值聚类算法存在某些缺陷,比如局部密度计算方法无法适用于不同规模数据集、对数据集中稀疏簇的识别上效果不佳进行相关改进,本文引入基于K最近思想的密度峰值聚类算法—KNN-DPC,并针对KNN-DPC算法对数据集中稀疏簇识别困难的问题进行优化,提出基于密度惩罚的改进算法—DPKNN-DPC。3)经典轨迹生成。完成轨迹聚类后,接下来的问题是如何从聚类簇中提取经典轨迹,本文总结了三种经典轨迹生成方法:(1)最优代表性合并法;(2)等间距合并法;(3)扫描线法。其中最优代表性合并法不生成新的轨迹,而是从轨迹簇中已有轨迹中选取一条到其他轨迹整体相似度距离之和最小的轨迹作为经典轨迹,另外两种方法合成一条新的轨迹作为经典轨迹。最后,通过对受限空间以及非受限空间中的轨迹数据集进行实验,使用BC指数和WC指数评价聚类质量并辅助聚类中心选取,与不同的经典轨迹生成框架对比,验证该经典轨迹生成算法的准确性以及可行性。