本文關(guān)鍵詞： 軌跡預(yù)測 前綴投影 頻繁序列模式 軌跡匹配 馬爾可夫鏈　出處：《軟件學(xué)報》2017年11期 　論文類型：期刊論文

【摘要】：智能手機(jī)、車載GPS終端、可穿戴設(shè)備產(chǎn)生了海量的軌跡數(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.已有軌跡預(yù)測方法的不足在于:不能同時兼具預(yù)測的準(zhǔn)確性和時效性,有效的軌跡預(yù)測受限于路網(wǎng)等局部空間范圍,無法處理復(fù)雜、大規(guī)模位置數(shù)據(jù).為了解決上述問題,針對海量移動對象軌跡數(shù)據(jù),結(jié)合頻繁序列模式發(fā)現(xiàn)的思想,提出了基于前綴投影技術(shù)的軌跡預(yù)測模型PPTP(prefix projection based trajectory prediction model),包含兩個關(guān)鍵步驟:(1)挖掘頻繁軌跡模式,構(gòu)造投影數(shù)據(jù)庫并遞歸挖掘頻繁前序軌跡模式;(2)軌跡匹配,以不同頻繁序列模式作為前綴增量式擴(kuò)展生成頻繁后序軌跡,將大于最小支持度閾值的最長連續(xù)軌跡作為結(jié)果輸出.算法的優(yōu)勢在于:可以通過較短的頻繁序列模式,增量式生成長軌跡模式;不會產(chǎn)生無用的候選軌跡,彌補頻繁模式挖掘計算代價較高的不足.利用真實大規(guī)模軌跡數(shù)據(jù)進(jìn)行多角度實驗,表明PPTP軌跡預(yù)測算法具有較高的預(yù)測準(zhǔn)確性,相對于1階馬爾可夫鏈預(yù)測算法,其平均預(yù)測準(zhǔn)確率可以提升39.8%.基于所提出的軌跡預(yù)測模型,開發(fā)了一個通用的軌跡預(yù)測系統(tǒng),能夠可視化輸出完整的軌跡路線,為用戶路徑規(guī)劃提供輔助決策支持.
[Abstract]:Smart phones, on-board GPS terminals, and wearable devices produce massive amounts of track data, which not only describe the historical trajectory of moving objects. And accurately reflects the movement characteristics of moving objects. The shortcomings of existing trajectory prediction methods are that they can not simultaneously have the accuracy and timeliness of prediction, and effective trajectory prediction is limited to the local space range such as road network. In order to solve the above problem, aiming at the massive moving object trajectory data, combining the idea of frequent sequence pattern discovery. A trajectory prediction model PPTPbased on prefix projection technique is proposed. Prefix projection based trajectory prediction model). It consists of two key steps: 1) mining frequent trajectory patterns, constructing projection database and recursively mining frequent preorder trajectory patterns; (2) trajectory matching, using different frequent sequence patterns as prefix incremental expansion to generate frequent post-sequence trajectories. The maximum continuous trajectory larger than the minimum support threshold is taken as the result output. The advantage of the algorithm lies in that the incremental growth trajectory mode can be obtained through shorter frequent sequence patterns; It will not produce useless candidate trajectories, and make up for the high cost of frequent pattern mining. Using real large scale trajectory data to carry out multi-angle experiments. The results show that the PPTP trajectory prediction algorithm has high prediction accuracy. Compared with the first-order Markov chain prediction algorithm, the average prediction accuracy can be improved by 39.8%, based on the proposed trajectory prediction model. A general trajectory prediction system is developed, which can visualize the complete trajectory path and provide a decision support for user path planning.
【作者單位】： 成都信息工程大學(xué)網(wǎng)絡(luò)空間安全學(xué)院;成都信息工程大學(xué)管理學(xué)院;西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院;深圳大學(xué)計算機(jī)與軟件學(xué)院;Department
【分類號】：TP311.13
【正文快照】： 隨著位置大數(shù)據(jù)分析處理技術(shù)[1]的快速發(fā)展,離散的時空位置點中蘊藏的移動行為規(guī)律被人們挖掘和利用.不同于簡單的位置簽到數(shù)據(jù),軌跡數(shù)據(jù)是連續(xù)和完整的具有時效性的運動個體移動規(guī)律和社交信息的展示,因此,理解并利用好時空軌跡數(shù)據(jù)具有實際意義.車載GPS等設(shè)備采集的軌跡數(shù)據(jù)

【相似文獻(xiàn)】

相關(guān)會議論文 前10條

1 翁敬農(nóng);;移動對象及其時空模型的研究[A];中國地理信息系統(tǒng)協(xié)會第九屆年會論文集[C];2005年

2 張偉;皮德常;;挖掘移動對象的頻繁運動模式[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

3 曹會萍;丁治明;王珊;孟小峰;;移動對象管理的自適應(yīng)索引方法[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2001年

4 胡志智;孟小峰;郭研妍;李本釗;陳繼東;;基于模擬預(yù)測的移動對象位置主動更新策略[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

5 陳濱;丁治明;紀(jì)鵬程;;基于動態(tài)交通網(wǎng)絡(luò)的移動對象的索引[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

6 王波濤;陳賀;馬俊;喜連川優(yōu);王國仁;;基于區(qū)域覆蓋的移動對象索引的設(shè)計與實現(xiàn)[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（A輯）[C];2009年

7 涂丹丹;向琳;左德承;楊孝宗;;移動對象數(shù)據(jù)庫管理技術(shù)[A];黑龍江省計算機(jī)學(xué)會2007年學(xué)術(shù)交流年會論文集[C];2007年

8 白蕓;孟小峰;丁銳;楊楠;胡志智;;基于移動對象流的道路索引[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2003年

9 劉小峰;陳傳波;劉云生;;移動對象全局K最接近鄰居查詢研究[A];2007年全國開放式分布與并行計算機(jī)學(xué)術(shù)會議論文集(上冊)[C];2007年

10 趙亮;陳犖;景寧;鐘志農(nóng);;一種高效的移動對象連續(xù)多范圍查詢處理框架[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

相關(guān)重要報紙文章 前4條

1 中國人民大學(xué)信息學(xué)院 孟小峰 丁治明;讓數(shù)據(jù)跟隨你移動[N];計算機(jī)世界;2001年

2 中國人民大學(xué)信息學(xué)院 郝興;移動數(shù)據(jù)管理待補課[N];中國計算機(jī)報;2008年

3 ;Word中的“微調(diào)”技術(shù)[N];中國計算機(jī)報;2005年

4 四川 余文勇;課件特殊效果巧實現(xiàn)[N];中國電腦教育報;2001年

相關(guān)博士學(xué)位論文 前10條

1 吳佩莉;移動對象軌跡數(shù)據(jù)管理關(guān)鍵技術(shù)研究[D];北京理工大學(xué);2015年

2 李雯;動態(tài)關(guān)系下的移動對象位置預(yù)測方法研究[D];中國礦業(yè)大學(xué);2017年

3 楊彬;室內(nèi)移動對象的數(shù)據(jù)管理[D];復(fù)旦大學(xué);2010年

4 葉李;移動對象數(shù)據(jù)庫查詢及處理技術(shù)研究[D];電子科技大學(xué);2011年

5 張恒飛;空間數(shù)據(jù)庫中移動對象位置管理技術(shù)研究[D];華中科技大學(xué);2012年

6 方穎;移動對象數(shù)據(jù)庫中移動對象索引方法研究[D];武漢大學(xué);2010年

7 廖巍;面向位置服務(wù)的移動對象索引與查詢處理技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2007年

8 陳楠;時空數(shù)據(jù)庫中移動對象的索引和查詢技術(shù)研究[D];浙江大學(xué);2010年

9 趙亮;面向位置服務(wù)的移動對象并發(fā)查詢處理技術(shù)[D];國防科學(xué)技術(shù)大學(xué);2010年

10 張鳳荔;移動對象數(shù)據(jù)智能處理模型研究[D];電子科技大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 黃川林;室內(nèi)移動對象軌跡分析研究[D];中國科學(xué)技術(shù)大學(xué);2014年

2 王夢冉;蜂窩網(wǎng)中基于頻繁軌跡的越區(qū)切換算法研究[D];西南交通大學(xué);2015年

3 金琨;不確定環(huán)境下移動對象軌跡模式挖掘及路徑規(guī)劃研究[D];西南交通大學(xué);2015年

4 易顯天;面向位置服務(wù)的道路網(wǎng)絡(luò)下的汽車索引技術(shù)研究[D];電子科技大學(xué);2015年

5 畢彥博;優(yōu)化的基于Voronoi圖的移動對象K近鄰查詢算法的研究與實現(xiàn)[D];東北大學(xué);2013年

6 孫清清;面向移動對象間狀態(tài)查詢優(yōu)化算法的研究與實現(xiàn)[D];東北大學(xué);2013年

7 楊雨;面向GPS的移動對象軌跡模式挖掘研究[D];東北大學(xué);2014年

8 張盼盼;融合復(fù)合特征的移動軌跡預(yù)測方法的研究與實現(xiàn)[D];西安電子科技大學(xué);2014年

9 吳昊;基于路網(wǎng)的移動對象位置管理關(guān)鍵技術(shù)研究[D];南京郵電大學(xué);2015年

10 翟婷;基于路網(wǎng)感知的時空軌跡聚類算法研究[D];中北大學(xué);2016年

，

本文編號：1451338