论文部分内容阅读
区域人流量预测不仅可以解决交通拥堵问题也可以避免类似上海外滩踩踏事件的发生，在人们的日常生活中具有非常重要的应用价值。随着各种定位技术及基于位置服务产品的发展，产生了大量的用户位置数据，海量的用户轨迹数据刻画了人们在时空环境下的个体移动和行为历史。现有的人流量预测技术不能解决在用户位置数据稀疏、历史人流量数据无法实时准确获取时的开放式区域人流量预测问题。因此，本文提出一种基于用户位置预测的区域人流量预测方法。本文主要研究内容如下: (1)针对由于用户轨迹数据非完整性会导致后续人流量预测研究的不确定性问题，本文提出一种低采样用户轨迹数据位置缺失值补齐方法，该方法综合利用平均值、最短路径以及灰色预测对用户轨迹数据缺失时刻的位置进行推断。实验表明该方法能够获得90％的预测准确度。 (2)本文提出一种基于频繁项集挖掘的用户位置预测算法。该算法首先利用PrefixSpanTraj序列频繁项挖掘算法获得用户轨迹数据的频繁序列，进而在引入贝叶斯先验的基础上，基于置信规则进行预测概率计算。实验表明该算法较现有算法在预测准确度上有明显提升。 (3)本文提出一种基于位置预测的区域人流量预测方法。该方法基于个体用户位置预测结果结合用户运动状态进行区域人流量预测。在样本数据集上的实验表明该方法较基于灰色马尔科夫模型的人流量预测方法在距离当前时刻较近时有更好的预测效果。在真实数据集上的实验表明该方法在执行真实场景下的人流量预测任务上仍具有可行性。 本文的创新之处有两点，一是首次提出基于位置预测结果进行人流量预测，在真实数据集上进行验证得出预测结果是可置信的;二是在改进基于频繁项集挖掘的位置预测算法中，在基于置信规则计算用户下一时刻位置概率时引入贝叶斯先验，提高了预测准确度。