论文部分内容阅读
近年来,随着移动计算技术的不断发展,网络已逐渐渗透进人们生活的方方面面。移动互联网将空间与网络互连,网络已不再是简单的虚拟世界,而是融合了现实生活中各种元素的统一体。智能手机、车载GPS终端、智能家电等设备产生了海量的位置、轨迹数据,这些数据不仅描述了移动对象的历史轨迹,而且精确地反映出移动对象的运动特点。随着大数据处理方式的不断发展,这些数据中蕴藏的价值逐渐被人们所认知。合理利用轨迹数据为互联网运营商带来了商机,因此,越来越多的国内外研究学者开始关注基于位置的智能服务,其中,应用领域广泛的移动对象轨迹预测技术逐渐成为研究热点。针对海量移动对象轨迹数据,本文基于不依赖路网数据的思想,对数据进行特征点聚类提取,将轨迹转化为特征序列,并结合序列模式挖掘算法,提出PrefixTP轨迹预测算法。通过多角度实验对算法进行全面检验,实验结果表明PrefixTP轨迹预测算法在平均预测准确率上具有37.04%的提升。以提出的预测模型为理论依据,开发了基于PrefixTP轨迹预测算法的轨迹预测系统,提供轨迹可视化、轨迹预测等功能,形象展示轨迹预测过程。本文的主要工作包括：(1)介绍了轨迹数据挖掘的研究背景及意义,针对轨迹模式挖掘、轨迹预测等方向,介绍了国内外研究现状。分析轨迹挖掘中轨迹特征的提取方法,提出对角度变化点进行提取,并且结合轨迹聚类算法对提取点进行聚类,得到特征点集合。针对聚类算法的不足引入空间编码方法,提高聚类效率。在空间编码方法中给出邻域求取方法并证明其正确性。使用特征点集合对轨迹数据进行转换,得到轨迹序列,为后续进行轨迹预测打下基础。(2)分析常见轨迹预测技术,对比基于马尔可夫链的轨迹预测方法,指出其与基于频繁模式的轨迹预测法的异同。介绍PrefixSpan频繁序列挖掘算法,借鉴PrefixSpan算法思想,结合轨迹数据特点,提出PrefixTP轨迹预测算法,并给出详细示例和具体实现。(3)针对前文中提出的算法,在真实轨迹数据集上进行多角度实验,验证了算法的准确率、时间复杂度等指标。引入对比算法,全面客观的比较算法之间的优劣。设计并实现了基于PrefixTP轨迹预测算法的轨迹预测系统。