A large proportion of movement in urban area is constrained to a road network such as pedestrian, bicycle and vehicle. That movement information is commonly collected by Global Positioning System (GPS) sensor, which has generated large collections of trajectories. A contiguous sequential pattern (CSP) in these trajectories represents a certain number of objects traversing a sequence of spatially contiguous edges in the network, which is an intuitive way to study regularities in network-constrained movement. CSPs are closely related to route choices and traffic flows and can be useful in travel demand modeling and transportation planning. However, the efficient and scalable extraction of CSPs and effective visualization of the heavily overlapping CSPs are remaining challenges.

To address these challenges, the thesis develops two algorithms and a visual analytics system. Firstly, a fast map matching (FMM) algorithm is designed for matching a noisy trajectory to a sequence of edges traversed by the object with a high performance. Secondly, an algorithm called bidirectional pruning based closed contiguous sequential pattern mining (BP-CCSM) is developed to extract sequential patterns with closeness and contiguity constraint from the map matched trajectories. Finally, a visual analytics system called sequential pattern explorer for trajectories (SPET) is designed for interactive mining and visualization of CSPs in a large collection of trajectories.

Extensive experiments are performed on a real-world taxi trip GPS dataset to evaluate the algorithms and visual analytics system. The results demonstrate that FMM achieves a superior performance by replacing repeated routing queries with hash table lookups. BP-CCSM considerably outperforms three state-of-the-art algorithms in terms of running time and memory consumption. SPET enables the user to efficiently and conveniently explore spatial and temporal variations of CSPs in network-constrained movement.

The wide deployment of Global Positioning System (GPS) sensors for movement data collection has enabled a wide range of applications in transportation and urban planning. Frequent and dominant movement patterns embedded in GPS trajectory data provide valuable knowledge including the spatial and temporal distribution of frequent routes selected by the tracked objects and the regular movement behavior in certain regions. Discovering frequent and dominant movement patterns embedded in GPS trajectory data needs to address several tasks including (1) matching noisy trajectories to the road network (referred as map matching), (2) extracting frequent and dominant movement patterns, and (3) retrieving the distribution of these patterns over user-specified attribute (e.g., timestamp, travel mode, etc.). These tasks confront several challenges in observation error, efficiency and large pattern search space.

To address those challenges, this thesis develops a set of algorithms and tools for efficient map matching and discovery of frequent and dominant movement patterns in GPS trajectory data. More specifically, two map matching algorithms are first developed, which improve the performance by precomputation and A-star search. Subsequently, a frequent route is extracted from map matched trajectories as a Contiguous Sequential Pattern (CSP). A novel CSP mining algorithm is developed by performing bidirectional pruning to efficiently search CSP and reduce redundancy in the result. After that, an efficient CSP comparison algorithm is developed to extend the bidirectional pruning to compare multiple sets of CSP. By comparing CSP mined from trajectories partitioned by a user-specified attribute, the distribution of frequent routes in the attribute space can be obtained. Finally, Regional Dominant Movement Pattern (RDMP) in trajectory data is discovered as regions where most of the objects follow a specific pattern. A novel movement feature descriptor called Directional Flow Image (DFI) is proposed to capture local directional movement information of trajectories in a multiple channel image and a convolutional neural network model is designed for DFI classification and RDMP detection.

Comprehensive experiments on both real-world and synthetic GPS datasets demonstrate the efficiency of the proposed algorithms as well as their superiority over state-of-the-art methods. The two map matching algorithms achieve considerable performance in matching densely sampled GPS data to small scale network and sparsely sampled GPS data to large scale network respectively. The CSP mining and comparison algorithms significantly outperform their competitors and effectively retrieve both spatial and temporal distribution of frequent routes. The RDMP detection method can robustly discover ten classes of commonly encountered RDMP in real-world trajectory data. The proposed methods in this thesis collectively provide an effective solution for answering sophisticated queries concerning frequent and dominant movement patterns in GPS trajectory data.

Den utbredda användningen av GPS-sensorer (Global Positioning System) för insamling av rörelsedata har möjliggjort ett brett spektrum av tillämpningar inom transport- och stadsplanering. Frekventa och dominerande rörelsemönster som döljs i GPS-trajektorier ger värdefull kunskap, vilken omfattar den rumsliga och tidsmässiga fördelningen av rutter som frekvent väljs av de spårade föremålen samt det regelbundna rörelsebeteendet i vissa regioner. För att upptäcka frekventa och dominerande rörelsemönster gömda i GPS-trajektorier måste man ta itu med flera uppgifter, däribland (1) att matcha brusiga trajektorier till vägnätet (så kallad kartmatchning), (2) utvinna frekventa och dominerande rörelsemönster och (3) att erhålla fördelningen av dessa mönster över användardefinierat attribut (t.ex. tidsstämpel, reseläge, etc.). Dessa uppgifter står inför flera utmaningar i fråga om observationsfel, effektivitet och stora sökrum av mönster.

För att hantera dessa utmaningar utvecklar denna avhandling en antal algoritmer och verktyg för effektiv kartmatchning och utvinning av frekventa och dominerande rörelsemönster i GPS-trajektorier. Mer specifikt utvecklas först två kartmatchningsalgoritmer som förbättrar prestandan genom förberäkning och A-star sökning. Därefter utvinns en frekvent rutt från kartmatchade trajektorier som ett sammanhängande sekventiellt mönster (CSP). En ny CSP-utvinningsalgoritm har utvecklats genom att utföra dubbelriktad beskärning för att effektivt söka efter CSP och minska redundansen i resultatet. Därefter utvecklas en effektiv algoritm för CSP-jämförelse för att utvidga dubbelriktad beskärning för att jämföra flera uppsättningar CSP. Genom att jämföra CSP som extraheras från trajektorier partitionerade av ett användardefinierat attribut kan fördelningen av frekventa rutter i attributrummet erhållas. Slutligen upptäcks regionalt dominerande rörelsemönster (RDMP) i trajektoriedata i form av regioner där de flesta föremål följer ett specifikt mönster. En ny beskrivning av rörelseattribut som kallas Directional Flow Image (DFI) föreslås för att fånga lokal riktad rörelseinformation för trajektorier i en bild med flera kanaler och en konvolutionell neuralt nätverksmodell utformas för DFI-klassificering och RDMP-detektion.

Omfattande experiment på både verkliga och syntetiska GPS-datamängder visar effektiviteten hos de föreslagna algoritmerna samt deras överlägsenhet över toppmoderna metoder. De två kartmatchningsalgoritmerna uppnår avsevärd prestanda när de matchar tätt samplade GPS-data till småskaliga nätverk och glest samplade GPS-data till storskaliga nätverk. CSP-utvinning- och jämförelsesalgoritmerna överträffar klart sina konkurrenter och hittar effektivt både rumslig och tidsmässig fördelning av frekventa rutter. RDMP-detekteringsmetoden kan på ett robust sätt upptäcka tio klasser av vanligt förekommande RDMP i verkliga trajektoriedata. De föreslagna metoderna i denna avhandling ger tillsammans en effektiv lösning för att svara på sofistikerade frågor om frekventa och dominerande rörelsemönster i GPS-trajektoriedata.