本文關鍵詞：軌跡預測與意圖挖掘問題研究　出處：《山東大學》2016年博士論文　論文類型：學位論文

  更多相關文章： 時空軌跡挖掘 下一個位置預測 馬爾科夫模型 軌跡意圖 生成模型

【摘要】：隨著定位設備和視頻捕捉設備的廣泛應用,時空軌跡數(shù)據(jù)的獲得變得越來越便捷。例如,人們在社交網(wǎng)站(如Foursquare)上和朋友們分享自己的位置,這就產(chǎn)生了大量的簽到數(shù)據(jù)。又如,車輛會被城市道路上的交通監(jiān)控攝像機所捕捉,隨后利用光學字符識別技術被處理成結(jié)構(gòu)化的記錄。簽到數(shù)據(jù)和車輛通行數(shù)據(jù)都是典型的時空軌跡數(shù)據(jù),他們都包含對象、位置以及時間三種屬性。這些數(shù)據(jù)蘊含著巨大的價值,在城市計算、路徑規(guī)劃、位置預測等領域出現(xiàn)了大量的成果。本文針對時空軌跡挖掘領域的相關問題進行了深入的研究。首先,基于用戶的歷史軌跡研究下一個位置預測問題。在實際應用中,提前知曉用戶的下一個位置,可以給用戶推薦更合理的駕駛路線以及給用戶推薦將要到達位置的廣告信息。為了進行下一個位置預測,首先提出了全局馬爾科夫模型(GMM)和個人馬爾科夫模型(PMM)。GMM利用用戶所有的軌跡發(fā)現(xiàn)集體移動模式；PMM利用每個用戶自己的軌跡發(fā)現(xiàn)個人移動模式。這兩個模型通過線性回歸組合起來產(chǎn)生最后的預測器(NLPMM)。此外,由于時間因素對用戶的移動模式有影響,我們尋求在模型中加入時間因素以提高預測的準確性。我們提出了三種方法來聚類不同時間段中的軌跡,并訓練了更加細化的模型來預測下一個位置。進一步地,本文提出了融合用戶相似度和軌跡相似度的馬爾科夫模型(objectTra-MM)來預測下一個位置。objectTra-MM由兩個模型組成：基于用戶相似度聚類的馬爾科夫模型(object-MM)和基于軌跡相似度聚類的馬爾科夫模型(tra-MM)。object-MM分析了對象的空間位置特性,并且將具有相似特性的對象進行聚類。對于每個類,object-MM利用類中對象的軌跡訓練變階馬爾科夫模型。tra-MM基于給定的相似度測度對軌跡進行聚類,然后利用每個類中的軌跡訓練變階馬爾科夫模型。最后,本文探究了軌跡背后隱含的意圖來更好地理解人們的移動模式。為此,我們提出了一種新的概率模型-(Intention of Movement:IoM)來建模軌跡的生成過程。IoM是基于三種重要的現(xiàn)象提出的：(1)軌跡的隱含意圖是由軌跡中的位置序列展示的：(2)不同的用戶通常有不同的意圖；(3)軌跡存在周期性并且在不同的時間段也是不同的。因此,我們通過挖掘位置序列、對象以及時間來發(fā)現(xiàn)一條軌跡的隱含意圖。為了完整性,我們也提出了只考慮部分屬性的簡化版模型。最后,我們在兩個真實的數(shù)據(jù)集上進行了大量實驗,實驗結(jié)果驗證了IoM的有效性。
[Abstract]:With the wide application of positioning equipment and video capture equipment, spatio-temporal trajectory data acquisition becomes more and more convenient. For example, people on social networking sites (such as Foursquare) and friends to share their location, which has a large amount of data. In another example, the vehicle will be traffic surveillance cameras on the road of the city capture, then using optical character recognition is processed into structured records. Attendance data and traffic data are typical of trajectory data, they all contain objects, location and time of the three kinds of attributes. These data contains a huge value in the city, calculation, path planning, location prediction areas such as the emergence of a large number of the results of this paper. The spatio-temporal trajectory is studied. Firstly, the issues related to mining, prediction of the history of the user's next location problem based on Application in practical. In advance know the user's next location, can recommend more reasonable driving route and recommended to the user will arrive in advertising information position. In order to predict the next position, first proposed the global Markoff model (GMM) and Markoff (PMM.GMM) model using all of the user's trajectory found collective mobile mode; PMM using each user's own personal mobile trajectory found mode. The two models by linear regression combined to produce the final predictor (NLPMM). In addition, because of the time factor on the user's mobile effect model, we seek to join the time factor in the model to improve the prediction accuracy of our proposed. Three methods of clustering in different period trajectory, and training a more refined model to predict the next position. Further, this paper presents a fusion of user similarity Markoff model and trajectory similarity (objectTra-MM) to predict the next position of.ObjectTra-MM consist of two models: the Markoff model of user similarity based clustering (object-MM) and the Markoff model trajectory similarity clustering based on.Object-MM (tra-MM) analysis of the spatial feature of object, and the object will have similar characteristics for each cluster. Class, using the object-MM class object trajectory training variable order Markoff model.Tra-MM similarity measure for clustering based on the given trajectory, and then use each class in the training trajectory of variable order Markoff model. Finally, this paper explores the path behind the intention to better understand the moving mode of people. Therefore, we propose a a new probability model (Intention of Movement:IoM).IoM generation process modeling trajectory is based on three kinds of heavy Put forward to the phenomenon: (1) the trajectory implied intention was demonstrated by the trajectory position sequence: (2) different users usually have different intention; (3) the presence of periodic trajectories and in different time periods is different. Therefore, we dug through position sequence, object and time find a path implied intentions. For completeness, we also propose a simplified version of the model only consider some attributes. Finally, we conducted extensive experiments on two real datasets. The experimental results verify the effectiveness of the IoM.

【學位授予單位】：山東大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP311.13

【相似文獻】

相關期刊論文 前10條

1 陳振頌;李延來;;基于廣義信度馬爾科夫模型的顧客需求動態(tài)分析[J];計算機集成制造系統(tǒng);2014年03期

2 陳永;馮元;龐思偉;;基于灰色馬爾科夫模型的傳染病預測[J];信息與電腦(理論版);2010年02期

3 安磊;吳嵐;夏海寶;許蘊山;;信息鏈時效性評估的馬爾科夫模型[J];電光與控制;2012年09期

4 鄧鑫洋;鄧勇;章雅娟;劉琪;;一種信度馬爾科夫模型及應用[J];自動化學報;2012年04期

5 陳煥珍;;基于灰色馬爾科夫模型的青島市糧食產(chǎn)量預測[J];計算機仿真;2013年05期

6 李玉華;李棟才;畢威;李瑞軒;;混合馬爾科夫預測模型及其在反洗錢中的應用研究[J];計算機科學;2011年07期

7 高衛(wèi)華;謝康林;;Web用戶行為預測的一種新模型及算法[J];計算機應用與軟件;2007年03期

8 劉樹楓,袁海林;馬爾科夫模型在商品房需求預測中的應用[J];西安郵電學院學報;2001年02期

9 尹清波,張汝波,李雪耀,王慧強;基于動態(tài)馬爾科夫模型的入侵檢測技術研究[J];電子學報;2004年11期

10 馮沖;黃河燕;陳肇雄;張亮;;基于字符層馬爾科夫模型的多語種識別[J];計算機科學;2006年01期

相關會議論文 前2條

1 王虎平;李煒;趙志理;;基于灰色馬爾科夫模型的杭州市客流預測[A];第九屆中國不確定系統(tǒng)年會、第五屆中國智能計算大會、第十三屆中國青年信息與管理學者大會論文集[C];2011年

2 鄭亞斌;曹嘉偉;劉知遠;;基于最大匹配和馬爾科夫模型的對聯(lián)系統(tǒng)[A];第四屆全國學生計算語言學研討會會議論文集[C];2008年

相關博士學位論文 前1條

1 陳勐;軌跡預測與意圖挖掘問題研究[D];山東大學;2016年

相關碩士學位論文 前8條

1 陳瀟瀟;基于馬爾科夫模型的代謝綜合征描述和風險預測研究[D];山東大學;2015年

2 張勝娜;含有隱變量的高階馬爾科夫模型的理論及應用[D];電子科技大學;2014年

3 楊世安;優(yōu)化的灰色馬爾科夫模型在建筑物沉降預測中的應用[D];東華理工大學;2014年

4 張海君;基于馬爾科夫模型的沙漠擴散和天氣預測[D];新疆大學;2013年

5 蔡亮亮;改進的灰色馬爾科夫模型及其對全國郵電業(yè)務總量的預測[D];南京郵電大學;2013年

6 葉t，

本文編號：1379376