随着信息、互联网、社交媒体、卫星定位、基于位置的服务（Location Based Services，LBS）等技术的发展，轨迹数据领域迎来了大数据时代。在轨迹大数据背景下，轨迹数据分析的关注度得到持续攀升，它能够借助移动对象的时空特征和移动行为信息发现新知识和模式，从而为智慧城市计算与服务、交通管理与规划、物流管理、智能制造、旅游路径推荐、自然灾害预测与预警、疫情传播监测等诸多领域提供决策支持与服务。本书以轨迹数据相关分析及挖掘技术为主要研究对象，针对轨迹大数据背景下轨迹数据的特征及分析需求，对数据噪声处理、特征提取、相似性度量、参数依赖及复杂轨迹聚类等问题开展了深入研究。 本书可供从事大数据、数据挖掘、机器学习、轨迹数据分析等相关领域的科研及工程人员参考，也可作为高等院校计算机、软件工程及自动化、信息与通信工程等专业的本科生和研究生的学习参考书。

目录
第1章 绪论\t001
1.1 轨迹与轨迹数据分析概述\t001
1.1.1 轨迹数据来源\t002
1.1.2 轨迹数据特征\t004
1.1.3 轨迹数据分析的关键技术\t005
1.2 轨迹数据挖掘\t009
1.2.1 轨迹数据挖掘方法分类\t009
1.2.2 轨迹数据挖掘的应用\t017
1.2.3 轨迹数据挖掘的挑战与发展趋势\t020
第2章 基于影响空间的噪声检测方法\t024
2.1 问题提出\t024
2.2 影响空间\t025
2.2.1 影响空间概述\t025
2.2.2 噪声特性分析\t029
2.3 噪声检测算法\t034
2.3.1 算法描述\t034
2.3.2 算法分析\t036
2.4 实验评价\t037
2.4.1 数据描述\t037
2.4.2 参数选择\t039
2.4.3 人工数据集上的结果分析\t045
2.4.4 真实数据集上的结果分析\t049
2.5 本章小结\t051
第3章 基于影响空间的噪声不敏感特征提取框架\t052
3.1 问题提出\t052
3.2 数据特征提取\t054
3.2.1 特殊微簇\t054
3.2.2 微簇中心\t057
3.3 特征提取框架\t058
3.3.1 算法描述\t058
3.3.2 算法分析\t060
3.4 实验评价\t061
3.4.1 数据描述\t061
3.4.2 参数选择\t062
3.4.3 比较算法\t062
3.4.4 MC的代表性分析\t063
3.4.5 人工数据集上的准确性比较\t065
3.4.6 真实数据集上的准确性比较\t069
3.4.7 高维数据集上的准确性比较\t077
3.4.8 框架效率分析\t078
3.5 本章小结\t084
第4章 散度距离及其无参密度聚类方法\t085
4.1 问题提出\t085
4.1.1 相似性传递效应\t087
4.1.2 人为因素\t089
4.1.3 密度度量\t092
4.2 关键技术\t093
4.2.1 散度距离\t093
4.2.2 无参数处理\t096
4.2.3 密度度量\t098
4.2.4 自动中心点选择\t099
4.3 密度聚类算法\t100
4.3.1 算法流程\t100
4.3.2 算法分析\t104
4.4 实验评价\t105
4.4.1 数据描述\t105
4.4.2 参数选择\t106
4.4.3 人工数据集上的结果比较\t108
4.4.4 真实数据集上的结果比较\t114
4.4.5 高维数据集上的结果比较\t119
4.5 本章小结\t122
第5章 基于时空密度分析的轨迹聚类算法\t123
5.1 问题提出\t123
5.2 时空密度分析\t125
5.2.1 相关定义\t125
5.2.2 时空密度函数\t129
5.3 轨迹聚类算法\t131
5.3.1 噪声容忍因子\t131
5.3.2 轨迹聚类算法\t132
5.4 实验评价\t134
5.4.1 数据描述\t134
5.4.2 参数选择\t134
5.4.3 NMAST函数的有效性分析\t136
5.4.4 TAD算法的有效性分析\t143
5.5 本章小结\t145
第6章 轨迹数据分析方法的应用\t146
6.1 天体光谱数据分析\t146
6.1.1 天光背景数据分析\t148
6.1.2 低信噪比光谱分析\t155
6.2 旋转机械故障诊断\t166
6.2.1 问题描述\t167
6.2.2 转子及轴承系统故障简介\t169
6.2.3 转子及轴承故障诊断原型系统\t174
6.2.4 转子及轴承故障诊断结果展示\t178
6.2.5 轴承故障诊断结果展示\t183
6.3 本章小结\t186
参考文献\t187