本文關(guān)鍵詞：基于蜂窩信令數(shù)據(jù)的移動軌跡清洗和預(yù)測方法研究與實現(xiàn)

  更多相關(guān)文章： 移動通信 蜂窩網(wǎng)定位 軌跡預(yù)測 濾波算法

【摘要】：隨著移動通信技術(shù)的發(fā)展和移動設(shè)備的普及,關(guān)于人們?nèi)粘Ｒ苿有袨榈能壽E數(shù)據(jù)記錄愈發(fā)的豐富起來。海量的軌跡數(shù)據(jù)背后隱藏著關(guān)于人及人類社會的有價值的知識模式。各界的學(xué)者利用數(shù)據(jù)挖掘和機器學(xué)習(xí)的方法對這些數(shù)據(jù)進行了多種角度的挖掘分析,旨在實現(xiàn)數(shù)據(jù)到信息再到價值的轉(zhuǎn)化。在軌跡挖據(jù)領(lǐng)域中,軌跡預(yù)測作為其中的一個重要子課題近來越來越受到廣泛關(guān)注。如果能夠較為準確的對每個用戶的未來位置進行預(yù)測。從微觀上來說,生活服務(wù)App可以提前向用戶推送未來位置周邊的項目,提升用戶體驗。從宏觀上說,我們可以根據(jù)歷史的多張人口分布熱力圖,推演未來一段時間的分布熱力圖,這能夠在交通領(lǐng)域,城市管理等發(fā)面發(fā)揮重要作用。目前,對于軌跡預(yù)測研究所普遍采用的數(shù)據(jù)是GPS定位數(shù)據(jù)且基于個人的歷史軌跡,這個數(shù)據(jù)集的形態(tài)及預(yù)測方式可以認為是縱向的。而相對于GPS定位數(shù)據(jù),更為豐富的數(shù)據(jù)是來自于蜂窩通信系統(tǒng)基站定位的數(shù)據(jù),雖然這部分定位數(shù)據(jù)數(shù)據(jù)質(zhì)量相對較差,但與GPS數(shù)據(jù)相比,手機信令數(shù)據(jù)具有數(shù)據(jù)量大,覆蓋人群廣,獲取成本低等優(yōu)點,因此研究基于蜂窩網(wǎng)移動信令數(shù)據(jù)的移動軌跡清洗和預(yù)測方法具有重要的理論和應(yīng)用價值。論文首先在基站數(shù)據(jù)清洗方面展開相關(guān)研究,以有效地消除因為蜂窩網(wǎng)定位偏差和錯誤,以及定位數(shù)據(jù)間隔時間不均勻等非理想因素對用戶移動軌跡預(yù)處理的不利影響,基于濾波算法使處理后用戶軌跡盡量逼近真實的用戶移動軌跡。接下來,論文在前人研究的基礎(chǔ)上,整合并提出了一個縱向的預(yù)測方法及其框架。該方法首先分析用戶每日停留區(qū)域及其停留時刻特征,計算確定相似度指標,并采用凝聚式的層次聚類算法對用戶進行聚類分組,從而在縱向數(shù)據(jù)與橫向經(jīng)典方法之間建立聯(lián)系。此外,論文還提出了停留區(qū)域擴展算法對停留點的異同性進行判別等。論文針對真實的TDOA基站定位數(shù)據(jù)的實驗與驗證結(jié)果表示,該方法與稀疏歷史數(shù)據(jù)下的傳統(tǒng)縱向方法相比,準確性有所提升。這表明基于橫向的基站定位數(shù)據(jù)的軌跡預(yù)測在一定程度上是具有可行性和潛力。
【關(guān)鍵詞】：移動通信 蜂窩網(wǎng)定位 軌跡預(yù)測 濾波算法
【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】：TN929.5;TP311.13
【目錄】：

• 摘要6-7
• Abstract7-10
• 第1章 緒論10-14
• 1.1 研究背景10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.3 本文的主要內(nèi)容和章節(jié)安排12-14
• 第2章 軌跡數(shù)據(jù)預(yù)處理方法14-34
• 2.1 原始定位數(shù)據(jù)的特征14-18
• 2.1.1 定位數(shù)據(jù)的誤差特征14-15
• 2.1.2 定位數(shù)據(jù)的采樣特征15-18
• 2.2 軌跡預(yù)處理方法18-29
• 2.2.1 預(yù)處理方法總體流程18-19
• 2.2.2 子軌跡分割方法19-20
• 2.2.3 識別并去除離群點方法20-25
• 2.2.4 濾波方法處理固有誤差25-29
• 2.3 軌跡預(yù)處理實驗和指標分析29-33
• 2.3.1 軌跡分割實驗29-30
• 2.3.2 軌跡離群點消除實驗30-32
• 2.3.3 濾波去噪實驗32-33
• 2.4 本章小結(jié)33-34
• 第3章 基于序列模式的軌跡預(yù)測方法34-53
• 3.1 方法可行性分析34-35
• 3.2 預(yù)測方法流程35-47
• 3.2.1 總體框圖35
• 3.2.2 軌跡停留點提取35-40
• 3.2.3 地圖網(wǎng)格化與軌跡抽象40-43
• 3.2.4 停留點異同性判別43-45
• 3.2.5 用戶間相似度定義45-47
• 3.3 預(yù)測模型47-52
• 3.3.1 基本原理47-48
• 3.3.2 頻繁序列模式挖掘48-50
• 3.3.3 預(yù)測樹構(gòu)建與預(yù)測50-52
• 3.4 本章小結(jié)52-53
• 第4章 算法驗證與系統(tǒng)實現(xiàn)53-63
• 4.1 階段性實驗53-58
• 4.1.1 停留點提取實驗53-55
• 4.1.2 網(wǎng)格化55-56
• 4.1.3 停留網(wǎng)格區(qū)域化56-57
• 4.1.4 用戶分組57-58
• 4.2 預(yù)測性能實驗與分析58-61
• 4.3 系統(tǒng)原型61-62
• 4.4 本章小結(jié)62-63
• 結(jié)論63-64
• 致謝64-65
• 參考文獻65-69
• 攻讀碩士學(xué)位期間完成的成果69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡亮;裴瑩;初劍峰;袁巍;王文博;樊麗;劉建男;;基于鼠標移動軌跡的真隨機數(shù)產(chǎn)生方法[J];吉林大學(xué)學(xué)報(理學(xué)版);2011年05期

2 蔣新華;廖律超;鄒復(fù)民;;基于浮動車移動軌跡的新增道路自動發(fā)現(xiàn)算法[J];計算機應(yīng)用;2013年02期

3 王江鋒;閆學(xué)東;邵春福;魏麗英;;基于Min-Max方法和移動軌跡融合的車輛無線定位算法[J];汽車工程;2012年05期

4 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年20期

5 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年Z2期

6 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年22期

7 葉春曉;宋為濤;;基于移動軌跡的集裝箱碼頭中控調(diào)度研究[J];計算機應(yīng)用研究;2011年08期

8 熊妍;羅澤;閻保平;;GPS位置歷史挖掘和移動軌跡異常檢測系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機應(yīng)用研究;2013年09期

9 吳國鳳;吳善新;;基于MN的移動軌跡的MAP實時調(diào)整策略[J];計算機系統(tǒng)應(yīng)用;2008年05期

10 周昌令;錢群;趙伊秋;尚群;;校園無線網(wǎng)用戶群體的移動行為聚集分析[J];通信學(xué)報;2013年S2期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前8條

1 林海標;移動軌跡挖掘算法設(shè)計與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

2 權(quán)宇澄;動物移動軌跡數(shù)據(jù)的挖掘研究[D];華東師范大學(xué);2016年

3 錢琨;基于蜂窩信令數(shù)據(jù)的移動軌跡清洗和預(yù)測方法研究與實現(xiàn)[D];西南交通大學(xué);2016年

4 隋雪芹;基于社會媒體的用戶移動軌跡挖掘及其在朋友推薦中的應(yīng)用研究[D];山東大學(xué);2016年

5 安建瑞;基于MapReduce的用戶移動軌跡序列模式挖掘算法研究[D];山東理工大學(xué);2016年

6 胡偉峰;道路網(wǎng)物體移動模式的研究[D];河海大學(xué);2007年

7 宋為濤;基于移動軌跡的集裝箱碼頭中控調(diào)度研究[D];重慶大學(xué);2011年

8 谷小蕾;WSAN激勵節(jié)點最優(yōu)移動軌跡設(shè)計[D];西南交通大學(xué);2012年

，

本文編號：808610