本文關(guān)鍵詞：移動對象不確定性軌跡預(yù)測模型研究

  更多相關(guān)文章： 移動對象 軌跡預(yù)測 GPS軌跡

【摘要】：近年來,隨著移動計算技術(shù)的不斷發(fā)展,網(wǎng)絡(luò)已逐漸滲透進(jìn)人們生活的方方面面。移動互聯(lián)網(wǎng)將空間與網(wǎng)絡(luò)互連,網(wǎng)絡(luò)已不再是簡單的虛擬世界,而是融合了現(xiàn)實生活中各種元素的統(tǒng)一體。智能手機(jī)、車載GPS終端、智能家電等設(shè)備產(chǎn)生了海量的位置、軌跡數(shù)據(jù),這些數(shù)據(jù)不僅描述了移動對象的歷史軌跡,而且精確地反映出移動對象的運動特點。隨著大數(shù)據(jù)處理方式的不斷發(fā)展,這些數(shù)據(jù)中蘊藏的價值逐漸被人們所認(rèn)知。合理利用軌跡數(shù)據(jù)為互聯(lián)網(wǎng)運營商帶來了商機(jī),因此,越來越多的國內(nèi)外研究學(xué)者開始關(guān)注基于位置的智能服務(wù),其中,應(yīng)用領(lǐng)域廣泛的移動對象軌跡預(yù)測技術(shù)逐漸成為研究熱點。針對海量移動對象軌跡數(shù)據(jù),本文基于不依賴路網(wǎng)數(shù)據(jù)的思想,對數(shù)據(jù)進(jìn)行特征點聚類提取,將軌跡轉(zhuǎn)化為特征序列,并結(jié)合序列模式挖掘算法,提出PrefixTP軌跡預(yù)測算法。通過多角度實驗對算法進(jìn)行全面檢驗,實驗結(jié)果表明PrefixTP軌跡預(yù)測算法在平均預(yù)測準(zhǔn)確率上具有37.04%的提升。以提出的預(yù)測模型為理論依據(jù),開發(fā)了基于PrefixTP軌跡預(yù)測算法的軌跡預(yù)測系統(tǒng),提供軌跡可視化、軌跡預(yù)測等功能,形象展示軌跡預(yù)測過程。本文的主要工作包括：(1)介紹了軌跡數(shù)據(jù)挖掘的研究背景及意義,針對軌跡模式挖掘、軌跡預(yù)測等方向,介紹了國內(nèi)外研究現(xiàn)狀。分析軌跡挖掘中軌跡特征的提取方法,提出對角度變化點進(jìn)行提取,并且結(jié)合軌跡聚類算法對提取點進(jìn)行聚類,得到特征點集合。針對聚類算法的不足引入空間編碼方法,提高聚類效率。在空間編碼方法中給出鄰域求取方法并證明其正確性。使用特征點集合對軌跡數(shù)據(jù)進(jìn)行轉(zhuǎn)換,得到軌跡序列,為后續(xù)進(jìn)行軌跡預(yù)測打下基礎(chǔ)。(2)分析常見軌跡預(yù)測技術(shù),對比基于馬爾可夫鏈的軌跡預(yù)測方法,指出其與基于頻繁模式的軌跡預(yù)測法的異同。介紹PrefixSpan頻繁序列挖掘算法,借鑒PrefixSpan算法思想,結(jié)合軌跡數(shù)據(jù)特點,提出PrefixTP軌跡預(yù)測算法,并給出詳細(xì)示例和具體實現(xiàn)。(3)針對前文中提出的算法,在真實軌跡數(shù)據(jù)集上進(jìn)行多角度實驗,驗證了算法的準(zhǔn)確率、時間復(fù)雜度等指標(biāo)。引入對比算法,全面客觀的比較算法之間的優(yōu)劣。設(shè)計并實現(xiàn)了基于PrefixTP軌跡預(yù)測算法的軌跡預(yù)測系統(tǒng)。
【關(guān)鍵詞】：移動對象 軌跡預(yù)測 GPS軌跡
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-19
• 1.1 研究背景及意義11-12
• 1.2 研究現(xiàn)狀12-15
• 1.2.1 移動對象軌跡模式挖掘12-13
• 1.2.2 移動對象未來軌跡預(yù)測13-15
• 1.3 軌跡數(shù)據(jù)挖掘方法介紹15-17
• 1.3.1 軌跡數(shù)據(jù)采集和預(yù)處理15-16
• 1.3.2 軌跡存儲及索引16-17
• 1.3.3 軌跡地圖匹配17
• 1.4 本文的研究工作及組織結(jié)構(gòu)17-19
• 第2章 軌跡數(shù)據(jù)特征提取及轉(zhuǎn)化19-33
• 2.1 引言19
• 2.2 理解軌跡數(shù)據(jù)19-21
• 2.3 軌跡特征提取21-23
• 2.4 基于密度的軌跡點聚類算法23-25
• 2.5 基于GeoHash的空間編碼算法25-28
• 2.6 基于空間編碼的聚類算法28-32
• 2.6.1 聚類算法28-30
• 2.6.2 鄰域查找30-32
• 2.7 本章小結(jié)32-33
• 第3章 基于特征序列的軌跡預(yù)測33-43
• 3.1 引言33
• 3.2 PrefixSpan算法33-35
• 3.3 PrefixTP軌跡預(yù)測算法35-42
• 3.3.1 軌跡預(yù)測框架35-36
• 3.3.2 預(yù)測問題分析36-37
• 3.3.3 PrefixTP算法相關(guān)定義及具體實現(xiàn)37-42
• 3.4 本章小結(jié)42-43
• 第4章 實驗及性能分析43-56
• 4.1 引言43
• 4.2 實驗環(huán)境及數(shù)據(jù)描述43-45
• 4.2.1 實驗數(shù)據(jù)集43-44
• 4.2.2 實驗環(huán)境44-45
• 4.3 基于空間索引編碼的聚類改進(jìn)算法45-48
• 4.4 基于聚類的軌跡特征提取48-51
• 4.5 PrefixTP軌跡預(yù)測算法51-55
• 4.6 實驗結(jié)論55
• 4.7 本章小結(jié)55-56
• 第5章 PrefixTP軌跡預(yù)測系統(tǒng)56-63
• 5.1 引言56
• 5.2 軌跡數(shù)據(jù)加載56-58
• 5.3 數(shù)據(jù)可視化模塊58-60
• 5.4 PrefixTP軌跡預(yù)測模塊60-62
• 5.5 本章小結(jié)62-63
• 結(jié)論63-64
• 致謝64-65
• 參考文獻(xiàn)65-69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 喬少杰;金琨;韓楠;唐常杰;格桑多吉;Louis Alberto GUTIERREZ;;一種基于高斯混合模型的軌跡預(yù)測算法[J];軟件學(xué)報;2015年05期

2 丁治明;;一種適合于頻繁位置更新的網(wǎng)絡(luò)受限移動對象軌跡索引[J];計算機(jī)學(xué)報;2012年07期

3 彭曲;丁治明;郭黎敏;;基于馬爾可夫鏈的軌跡預(yù)測[J];計算機(jī)科學(xué);2010年08期

4 郭黎敏;丁治明;胡澤林;陳超;;基于路網(wǎng)的不確定性軌跡預(yù)測[J];計算機(jī)研究與發(fā)展;2010年01期

，

本文編號：1006576