本文提出了一种新的隐私概念——集中地理隐私（Concentrated Geo-Privacy, CGP），这是集中差分隐私（CDP）在几何数据上的对应物。与先前的地理隐私（Geo-Privacy）标准（即标准差分隐私的对应物）相比，CGP具有多项优势：机制设计更简洁、高维数据下噪声尺度更低、以及更优的组合性质（称为高级组合）。其中高级组合最为重要，它允许使用较小的基础模块构建复杂机制，同时获得更好的效用。作为补充，本文证明了先前的地理隐私概念（即使是其近似版本）本质上不支持高级组合。在此基础上，本文研究了隐私几何数据上的三个问题：身份查询（identity query）、k近邻（k nearest neighbors）和凸包（convex hulls）。其中身份查询已有研究，而后两个问题本文首次给出了在地理隐私下的机制。对于所有三个问题，组合性质对于在私有化查询答案上获得良好的效用保证至关重要。实验或理论分析表明，CGP在隐私与效用权衡上优于传统方法。