挖掘移动对象中潜在有意义的运动模式对于分析人类运动规律、理解交通机制以及分析野生动物迁徙活动具有重要意义。近年来，随着传感器网络和位置感知设备的爆炸式增长，海量移动对象运动数据得以获取，为深入研究移动对象运动模式提供了前所有未的机遇。现有运动模式类型多样、时空特征复杂，不同模式在空间接近性、时间连续性、运动属性相似性以及对象结构关系等方面存在显著差异。完善的运动模式分类体系是有效开展运动模式挖掘任务的前提和基础。为此，本研究提出了基于5W1H1R原则的统一运动模式建模与分类框架，并构建了一个自下而上的多层次认知模型以支撑模式分类。在第一性原理和组合学思想的指导下，从不同的基本维度和组合维度系统刻画与分类运动模式。在该分类体系的指导下，针对典型模式开展了挖掘方法研究与多场景应用验证：针对移动对象轨迹聚集模式可能存在规模差异显著、密度分布不均以及噪声干扰显著等挑战，提出一种基于密度峰值的轨迹聚集模式自适应挖掘方法；针对现有伴随模式在成员动态性建模与模式结构演化分析方法的不足，提出了一种面向动态对象的伴随模式统一建模与挖掘方法。研究结果表明，所构建的运动模式统一分类体系具有较强的通用性与可扩展性，可为不同领域的时空模式挖掘研究提供理论参考，并推动空间数据挖掘方法从静态数据向动态流数据的拓展。所提出的运动模式挖掘算法在真实交通、海上船舶及野外动物轨迹数据上的验证结果显示，其更贴近实际应用需求，能够有效提升运动模式识别的准确性与鲁棒性。
 

运动模式,移动对象,时空数据挖掘,轨迹挖掘