我们开发了分析移动伪基站轨迹的系统，基于移动伪基站的间接信息提取其轨迹，帮助相关法律部门检测并且追踪移动伪基站的移动模式。

我们介绍如何探索城市智能交通基站采集的稀疏轨迹数据。我们将重点研究宏观交通，包括基站和链路上的交通模式分析。此外，我们还将研究不同模式的相互关联。

我们提出一种可视分析方法，以帮助分析人员更有效地定义和检测原始轨迹数据中的数据质量问题。基于用户识别的问题轨迹，我们自动揭露具有类似问题的更多轨迹。我们还支持用户改进结果，直到他们感到满意为止。

我们提出多路径选择行为的可视分析方法，研究司机在面对多条可选路径时的选择行为及影响选择行为因素的关联分析。

我们提出可视分析方法OD-Wheel，探索以某区域为中心的源、目的地间的交通模式。给定一个区域，OD-Wheel允许用户探索源、目的地之间的动态模式，包括交通流量及行车时间的变化。

我们提出可视分析方法TrajRank，研究单条道路上的浮动车交通行为。我们重点研究行车时间的时空分布，即，研究各路段以及高峰/非高峰时间的行车时间变化。

我们介绍一些方法，将二维轨迹转化为时间线，以更好的展示轨迹的时间信息，并方便轨迹的对齐比较。我们的时间线不仅研究轨迹的时变属性，还研究其时空特征，例如停止和转弯。我们将会用一些真实数据的分析案例来说明方法的有效性。

我们展示不同道路交通状况随时间的变化模式，以及交通拥堵在路网上的传播方式。为此，我们从北京市出租车轨迹数据出发，自动提取了交通拥堵事件和传播关系。我们的系统支持对于交通拥堵的多层次探索分析。用户可以对交通拥堵传播关系进行筛选和比较，还可以通过动画进行验证。

交通密度图可以直观的总结大量交通轨迹数据，因此非常重要。它可以帮助分析人员研究交通拥堵，交通热点以及人们的出行行为。我们使用真实的出租车数据绘制了北京市交通密度图。

我们构建了TripVista系统，从三个角度分析轨迹的微观行为。这三个角度包括：时间、空间和属性。在我们的系统中，它们紧密联系。我们使用TripVista系统分析了一个路口的交通轨迹数据，以及全球的台风轨迹数据。我们可以看到总体特征，并找到一些异常行为。