[發明專利]一種基于序列模式挖掘的多用戶模型移動軌跡預測方法

在審

• 申請號: 201710336188.0
• 申請日: 2017-05-12
• 公開（公告）號: CN107016126A
• 公開（公告）日: 2017-08-04
• 發明（設計）人: 錢琨;肖冰言;陳慶春;唐小虎
• 申請（專利權）人: 西南交通大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q10/04
• 代理公司: 成都盈信專利代理事務所(普通合伙)51245
• 代理人: 張澎

技術領域

本發明屬于數據挖掘技術領域，涉及一種基于聚類離群分析的手機信令軌跡預處理方法。

背景技術

用戶的當前位置是一個關鍵的用戶上下文屬性，可以和很多應用關聯起來，提供更好的基于位置的服務(LBS Location Based Service)，很多基于位置的服務的APP為居民的衣食住行都提供了極大的便利。在交通運輸領域，車輛實時的位置信息也成為了擁堵分析、道路流量分析的實施基礎。顯然，如果能夠通過某種手段有效獲取用戶當前位置，并有效預測其未來的位置，其潛在的價值不可估量。

目前的移動軌跡預測已經有相當數量的研究。從對數據的利用方式來說，主要分為兩大類，一類是縱向的預測方式，一類是橫向的預測方式?？v向的預測是指是通過個人的歷史數據對個人的軌跡進行預測，每個用戶之間的預測都是獨立無關的。如Jeung H,Liu Q,Shen H T等人在文獻“A hybrid prediction model for moving objects”，IEEE 24th Int.Conf.on Data Engineering(ICDE),2008:70-79.中基于個人GPS數據使用頻繁模式結合運動方程的方式對個人的未來軌跡進行預測，其做法是較近的未來使用運動方程預測，較遠的未來使用頻繁模式進行預測。而橫向的預測是利用大量用戶的軌跡來預測個人的移動軌跡，人與人的移動行為具有相似性，所以“相似”的用戶在預測中可以相互貢獻。文獻“Prediction of moving object location based on frequent trajectories”，Computer and Information Sciences–ISCIS 2006中定義了一種基于網格邊的序列結構和模式結構，用于序列模式的挖掘進而進行預測。雖然該文獻使用了橫向的數據，但是它的缺點在于籠統地將全部人口的全部軌跡數據納入同一個預測模型，對每一個人都采用該模型進行預測，這樣會導致軌跡豐富者主導預測結果。總體來說，采用橫向的方試來做軌跡預測的相關研究是較少的。

從預測方法的選取上來看，主要分為運動方程預測、基于運動模型預測和基于頻繁模式的預測方法。運動方程的方法希望使用運動方程來描述人的移動軌跡，從而通過方程就可以計算出未來的位置。文獻"STRIPES:An Efficient Index for Predicted Trajectories."ACM SIGMOD International Conference on Management of Data,Paris,France,June 2004:635-646、"Query and Update Efficient B+-Tree Based Indexing of Moving Objects."(e)Proceedings of the Thirtieth International Conference on Very Large Data Bases,Toronto,Canada,August 31-September 32004 2004:768–779、"Indexing the Positions of Continuously Moving Objects."ACM SIGMOD International Conference on Management of Data,May 16-18,2000,Dallas,Texas,Usa DBLP,2000:331-342.中均使用了線性的運動方程，假設人總是在做分段的線性運動，那么預測位置往往會輸出在近期軌跡的延長線上。非線性模型預測的主要思想是通過非線性的數學公式模擬移動對象的運動軌跡，如文獻"Prediction and indexing of moving objects with unknown motion patterns."ACM SIGMOD International Conference on Management of Data,Paris,France,June DBLP,2004:611-622中提出的Recursive Motion Function(RMF)方法能夠較為精確地模擬移動對象的短期運動趨勢，也是當前預測精度較高的一種非線性預測方法。其做法是讓每個用戶在自己的設備上運行一個能夠捕捉用戶歷史軌跡建立修正非線性運動方程的軟件，服務器通過請求響應的方式得到某用戶未來的位置?？偟膩碚f，這種基于運動方程的預測方式是對用戶運動形態的模擬，所以往往在做近期預測時比較有效，而較長期的預測就無法勝任。另外人的移動軌跡系統不像下落的乒乓球，飛行的導彈這種系統，能看見明顯的控制量。人的軌跡往往具有許多突發性。