1.一种轨迹时间模式的差分隐私保护方法，其特征在于：该方法包括以下步骤：步骤S1，轨迹数据预处理及聚类；

所述步骤S1具体为：

步骤S1-1，对待保护的轨迹数据进行清洗和规约，保留用户的经纬度数据和对应的时间戳作为新的轨迹数据集，记时间戳数据集为T＝{t1,…,tn}，Ti是T中的任一子集，则有Ti∈T，且Ti∈[tk,tm],tmin≤tk＜tm≤tmax，其中tk∈T,tm∈T,tmin是T中的最小值，tmax是T中的最大值；

步骤S1-2，将保留的轨迹数据集用DBSCAN算法进行密度聚类，得到聚类簇集C＝{c1,c2,...,cl}和对应的时间戳子集Tc＝{T1,T2,...,Tl}。其中，l是聚类簇的数目；

步骤S2，初始化参数，包括初始化匿名算法的参数k、隐私保护强度参数ε以及可接受的发布误差范围[-α,α]；其中初始化的k值需要判断是否合理，由步骤S1-2得到的时间戳子集Tc＝{T1,T2,...,Tl}计算k′，然后根据k′判断用户初始定义的k值是否合理；

步骤S3，利用k-匿名算法对时间戳进行粗粒度扰动；假设给定的簇集C对应的每一个时间数据子集Tc中共有n个时间戳，根据k匿名实现方法对所有时间戳子集Tc进行匿名处理，实现对时间戳的粗粒度扰动；

所述步骤S3具体为：

步骤S3-1，选择步骤S3-2所得簇集对应的一个时间戳子集Ti∈Tc；

步骤S3-2，判断k值集合Kc中的Ki值所在区间，若Ki＝1，则不做匿名处理，进入步骤S4；

否则，对时间戳子集Ti中的每个数据ti做如下匿名处理：

步骤S3-3，重复步骤S3-1和S3-2，直到所有的时间戳子集Ti都进行了k-匿名处理，此时，得到时间戳子集Tc的粗粒度扰动结果Tc′＝{T1′,T2′,...,Tl′}；

步骤S4，利用差分隐私拉普拉斯噪声对时间戳进行细粒度扰动；根据初始化的隐私保护强度参数ε求出拉普拉斯噪声概率密度函数，生成对应的拉普拉斯噪声，对步骤S3-3得到的粗粒度扰动结果Tc′＝{T1′,T2′,...,Tl′}进行细粒度扰动，得到细粒度的扰动结果；

步骤S5，利用截断拉普拉斯机制优化扰动结果；根据初始化的隐私保护强度参数ε求出截断拉普拉斯噪声概率密度函数，生成对应的截断拉普拉斯噪声，对步骤S4-3得到的细粒度扰动结果T″c＝{T1″,T″2,...,T″c}进行优化，得到优化结果

2.根据权利要求1所述的一种轨迹时间模式的差分隐私保护方法，其特征在于：所述步骤S2具体为：步骤S2-1，初始化隐私保护强度参数ε以及可接受的发布误差范围[-α,α]；

步骤S2-2，初始化匿名算法的参数k值；

步骤S2-3，选择步骤S1-2得到的其中一个时间戳子集Ti∈Tc,计算k′值：步骤S2-3，判断步骤S2-2用户初始定义k值的合理性，若k∈[1,k′]且k为整数，则k合理，进入步骤S2-5；否则，返回步骤S2-2；

步骤S2-5，重复步骤S2-2、S2-3和S2-4，直到步骤S1中所有簇集对应的时间戳子集Ti都得到对应的计算结果k′，并与初始化的k值进行比较，得到最终合理的k值集合Kc＝{k1,k2,...,kl}。

3.根据权利要求1所述的一种轨迹时间模式的差分隐私保护方法，其特征在于：所述步骤S4具体为：步骤S4-1，根据初始化的隐私保护强度参数ε和时间戳的敏感度函数Δf计算得到拉普拉斯噪声的概率密度函数fLap(z)：其中

步骤S4-2，选择粗粒度扰动结果Tc′＝{T1′,T2′,...,Tl′}中的任意一个子集Ti′∈T′c，根据拉普拉斯噪声的概率密度函数fLap(z)生成对应数目的噪声数据集Zi；

步骤S4-3，将生成的拉普拉斯噪声Zi加入到粗粒度扰动结果任一子集Ti′中，得到细粒度的扰动结果Ti″：Ti″＝Ti′+Zi

步骤S4-4，重复步骤S4-2和S4-3，直到粗粒度扰动结果T′c＝{T1′,T2′,...,Tl′}中的所有子集都进行了细粒度扰动，得到对应的细粒度扰动结果T″c＝{T1″,T″2,...,T″c}。

4.根据权利要求1所述的一种轨迹时间模式的差分隐私保护方法，其特征在于：所述步骤S5具体为：步骤S5-1，根据初始化的隐私保护强度参数ε和时间戳的敏感度函数Δf计算得到截断拉普拉斯噪声的概率密度函数fTLap(z)：其中

步骤S5-2，选择细粒度扰动结果T″c＝{T1″,T″2,...,T″c}中的任意一个子集Ti″∈T″c，根据截断拉普拉斯噪声的概率密度函数fTLap(z)生成对应数目的噪声数据集Z′i；

步骤S5-3，将生成的拉普拉斯噪声Z′i加入到粗粒度扰动结果任一子集Ti″中，得到优化结果步骤S5-4，重复步骤S5-2和S5-3，直到细粒度扰动结果T′c＝{T1′,T2′,...,Tl′}中的所有子集都进行了优化，得到优化后的扰动数据集

5.一种轨迹时间模式的差分隐私保护系统，其特征在于：该系统包括以下模块：轨迹数据预处理及聚类模块，用于对轨迹数据集进行预处理和聚类操作，包括以下子模块，预处理子模块，用于对待保护的轨迹数据进行清洗和规约，保留用户的经纬度数据和对应的时间戳作为新的轨迹数据集；

聚类子模块，用于将保留的轨迹数据集用DBSCAN算法进行密度聚类，得到聚类簇集和对应的时间戳子集；

初始化参数模块，用于初始化参数，包括以下子模块：

初始参数设置子模块，用于初始化匿名算法的参数k、隐私保护强度参数ε以及可接受的发布误差范围[-α,α]；

判断子模块，用于判断设置的参数值k是否合理；

匿名处理模块，用于实现对时间戳进行粗粒度的扰动，包括以下子模块：判断子模块，用于判断k值集合Kc中的Ki值所在区间，若ki＝1，则不做匿名处理，直接进入差分隐私处理模块；否则，对时间戳子集Ti中的每个数据ti做如下匿名处理：迭代子模块，用于迭代上述子模块中的过程，生成初步扰动结果Tc′＝{T1′,T2′,...,Tl′}；

差分隐私处理模块，用于实现对时间戳进行细粒度的扰动，包括以下子模块：拉普拉斯噪声生成子模块，用于生成拉普拉斯噪声，根据隐私保护强度参数ε求出拉普拉斯噪声概率密度函数fLap(z)，生成对应数目的噪声数据集Zi；

拉普拉斯噪声添加子模块，将生成的拉普拉斯噪声Zi加入到粗粒度扰动结果任一子集Ti′中，得到细粒度的扰动结果Ti″；

迭代子模块，用于迭代上述子模块中的过程，生成细粒度扰动结果截断拉普拉斯优化模块，用于对差分隐私处理模块得到的细粒度扰动结果进行优化处理，包括以下子模块，截断拉普拉斯噪声生成子模块，用于生成截断拉普拉斯噪声，根据隐私保护强度参数ε求出拉普拉斯噪声概率密度函数fTLap(z)，生成对应数目的噪声数据集Z′i；

截断拉普拉斯噪声添加子模块，将生成的截断拉普拉斯噪声Z′i加入到细粒度扰动结果任一子集Ti″中，得到优化结果迭代子模块，用于迭代上述子模块中的过程，生成细粒度扰动结果T″c＝{T1″,T″2,...,T″c}。