[发明专利]一种基于序列模式挖掘的多用户模型移动轨迹预测方法

说明书

技术领域

本发明属于数据挖掘技术领域，涉及一种基于聚类离群分析的手机信令轨迹预处理方法。

背景技术

用户的当前位置是一个关键的用户上下文属性，可以和很多应用关联起来，提供更好的基于位置的服务(LBS Location Based Service)，很多基于位置的服务的APP为居民的衣食住行都提供了极大的便利。在交通运输领域，车辆实时的位置信息也成为了拥堵分析、道路流量分析的实施基础。显然，如果能够通过某种手段有效获取用户当前位置，并有效预测其未来的位置，其潜在的价值不可估量。

目前的移动轨迹预测已经有相当数量的研究。从对数据的利用方式来说，主要分为两大类，一类是纵向的预测方式，一类是横向的预测方式。纵向的预测是指是通过个人的历史数据对个人的轨迹进行预测，每个用户之间的预测都是独立无关的。如Jeung H,Liu Q,Shen H T等人在文献“A hybrid prediction model for moving objects”，IEEE 24th Int.Conf.on Data Engineering(ICDE),2008:70-79.中基于个人GPS数据使用频繁模式结合运动方程的方式对个人的未来轨迹进行预测，其做法是较近的未来使用运动方程预测，较远的未来使用频繁模式进行预测。而横向的预测是利用大量用户的轨迹来预测个人的移动轨迹，人与人的移动行为具有相似性，所以“相似”的用户在预测中可以相互贡献。文献“Prediction of moving object location based on frequent trajectories”，Computer and Information Sciences–ISCIS 2006中定义了一种基于网格边的序列结构和模式结构，用于序列模式的挖掘进而进行预测。虽然该文献使用了横向的数据，但是它的缺点在于笼统地将全部人口的全部轨迹数据纳入同一个预测模型，对每一个人都采用该模型进行预测，这样会导致轨迹丰富者主导预测结果。总体来说，采用横向的方试来做轨迹预测的相关研究是较少的。

从预测方法的选取上来看，主要分为运动方程预测、基于运动模型预测和基于频繁模式的预测方法。运动方程的方法希望使用运动方程来描述人的移动轨迹，从而通过方程就可以计算出未来的位置。文献"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.中均使用了线性的运动方程，假设人总是在做分段的线性运动，那么预测位置往往会输出在近期轨迹的延长线上。非线性模型预测的主要思想是通过非线性的数学公式模拟移动对象的运动轨迹，如文献"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)方法能够较为精确地模拟移动对象的短期运动趋势，也是当前预测精度较高的一种非线性预测方法。其做法是让每个用户在自己的设备上运行一个能够捕捉用户历史轨迹建立修正非线性运动方程的软件，服务器通过请求响应的方式得到某用户未来的位置。总的来说，这种基于运动方程的预测方式是对用户运动形态的模拟，所以往往在做近期预测时比较有效，而较长期的预测就无法胜任。另外人的移动轨迹系统不像下落的乒乓球，飞行的导弹这种系统，能看见明显的控制量。人的轨迹往往具有许多突发性。