Los datos de trayectoria están incrustados dentro de los caminos de conducción, sistemas de posicionamiento GPS e información de señalización móvil. Una gran cantidad de datos de trayectoria juegan un papel crucial en el desarrollo de ciudades inteligentes. Sin embargo, estos datos de trayectoria contienen una cantidad significativa de información sensible del usuario, lo que representa una amenaza sustancial para la privacidad personal. En este trabajo, hemos construido un modelo de gránulo de información seguro interno basado en la privacidad diferencial para garantizar el intercambio seguro y el análisis de datos de trayectoria. Este modelo integra profundamente la computación granular con la privacidad diferencial, abordando el problema de la fuga de privacidad durante el intercambio de datos de trayectoria. Introducimos el mecanismo de Laplace durante la granulación de los gránulos de información para garantizar la seguridad de los datos, y la flexibilidad a nivel de granularidad proporciona una base sólida para el análisis de datos posterior. Mientras tanto, este trabajo demuestra las aplicaciones prácticas de la solución para el intercambio seguro de datos de trayectoria. Integra datos de trayectoria con datos económicos utilizando el modelo de reglas difusas Takagi-Sugeno para ajustar y predecir economías regionales, verificando así la viabilidad del modelo de computación granular basado en la privacidad diferencial y garantizando la privacidad y seguridad de la información de trayectoria de los usuarios. Los resultados experimentales muestran que el modelo de gránulo de información basado en la privacidad diferencial puede permitir de manera más efectiva el análisis de datos.