1.基于时空轨迹知识图谱的用户出行模式挖掘方法，其特征在于，包括：步骤一：从轨迹数据集T中直接抽取用户实体和轨迹实体；使用基于时间阈值和距离阈值的POI抽取算法从轨迹数据集T中抽取POI实体；抽取出的POI实体按照时间顺序排列，得到轨迹途经的POI序列；

步骤二：从轨迹数据集T中抽取时间和空间信息，包括：

2.1抽取时间信息；所述时间信息包括时刻信息和时间序列信息；其中，时刻信息包括轨迹的起始时间和结束时间，以及轨迹到达POI的时间和离开POI的时间；从轨迹途经的POI序列中获取时间序列信息，即轨迹经过POI的顺序；

2.2抽取空间信息；所述空间信息是以POI为中心描绘轨迹的地理位置信息；从POI实体中获取轨迹途经的POI的数量和轨迹途经的POI，从轨迹数据集T中获取轨迹的实际长度；

步骤三：构建以用户为中心的时空轨迹知识图谱，包括：

3.1使用基于层次图的历史轨迹匹配算法计算用户之间的相似度，构建用户实体和用户实体之间的双向相似关系USU；

3.2构建用户实体和轨迹实体的产生关系UPT；

3.3使用DTW算法获取轨迹间的相似度，构建轨迹实体和轨迹实体之间的双向相似关系TST；

3.4构建轨迹实体和POI实体的途经关系TCP；

步骤四：根据以用户为中心的时空轨迹知识图谱挖掘用户的出行模式，即使用SPADE算法获取单个用户的频繁轨迹序列，挖掘个体出行模式。

2.如权利要求1所述的基于时空轨迹知识图谱的用户出行模式挖掘方法，其特征在于，所述步骤四替换为：将轨迹数据集T使用谱聚类算法完成用户聚类，然后用SPADE算法获取用户集的频繁轨迹序列，挖掘群体出行模式。