轨迹数据就是时空环境下，通过对一个或多个移动对象运动过程的采样所获得的数据信息，包括采样点位置、采样时间、速度等，这些采样点数据信息根据采样先后顺序构成了轨迹数据。例如具有定位功能的智能手机，轨迹数据反映了手机持有者某一时间段的行动状况，移动互联网络可以通过无线信号定位手机所在位置，进而采样记录，通过连接采样点形成手机持有者的运动轨迹数据；GPS定位终端，固定采样频率的记录终端所在位置的经纬度信息，通过无线网络将数据收集到服务器上；RFID标签技术，对物体进行标记，将物体的移动线路通过RFID识别器完成定位和位置数据记录，形成物体的移动轨迹。

轨迹数据挖掘

轨迹挖掘是数据挖掘的一个新兴分支，其研究热点集中于轨迹聚类、轨迹分类、离群点检测、兴趣区域、隐私保护、位置推荐等方面。如果将时间看做是一维数据，大多数传统高维数据聚类算法可以很好的适应于当前的轨迹聚类。多维数据距离测量和有效计算方面的研究已经展开。将轨迹数据看做为混合约束模型生成的有序点序列，并应用统计学方法进行研究也已展开。而所有这些轨迹聚类方法都是以轨迹作为整体进行的，并没有对子轨迹聚类给及足够重视。韩家炜教授提出一种“划分-合并”聚类模型，试图解决这个问题。该模型首先将轨迹划分为多条轨迹段，之后对这些轨迹段进行密度聚类。聚类结果中，除去聚类簇以外，还获得大量的离群点。这些离群点一般来讲，都远离任意一个聚类簇中心。最近，针对更加复杂情况下的聚类方法也被提出，比如多维信息集成和离群点检测方法等。当前，虽然有大量聚类和离群点检测算法，但应用于移动对象模式的分类算法还不是很多。在根据时间序列分类的关联区域研究中，单一最近邻对象方法得到了广泛的应用，而一种基于Shapelet的分类方法也被证明非常有效。时间序列研究主要用于解决一维数据，而移动对象分类研究面对的往往是二维空间数据，所以前者的研究方法应用于后者有一定的局限性。基于区域和轨迹聚类的分类方法，将区域和聚类结果作为轨迹的特征进行分类研究，可以得到更为有效的结果。