[发明专利]基于密度聚类的自适应轨迹预测方法

说明书

技术领域

本发明属于计算机科学与技术的数据挖掘技术领域，涉及一种基于密度聚类的自适应轨迹预测方法。

背景技术

随着移动便携设备的广泛普及、无线通信技术和全球定位技术的快速发展，使得人们已经能够获得大量的用户实时位置数据，如利用车载GPS导航系统可以实时地获得汽车当前的地理位置以及行驶方向等信息；对于携带移动设备的用户，通过基站定位的方式能大概估计出用户的活动区域。将获得的位置信息在连续时间点上“串联”起来就形成了某个用户在一段时间内的移动轨迹。大量的用户位置数据和移动轨迹背后蕴藏着丰富的空间结构信息和用户的行为规律，通过对这些信息的分析与挖掘，可以为用户提供多种增值服务和工具，如智能交通中的电子地图和路径诱导服务、社交网络中的好友推荐以及个性化服务等。

近年来，移动网络中基于位置信息的服务也越来越受到国内外研究学者的关注，轨迹预测技术是其中最受关注的热点问题之一。在用户移动轨迹预测的研究中，基于位置的行为分析取得了比较好的研究成果。Gonzalez等人通过分析10万个移动用户的移动轨迹数据，发现人们的轨迹在时空上呈现出一定的规律性，Blumm等人利用三个月100万手机用户的话单数据，通过度量每个用户轨迹熵值的方法，论证得出了任何对于人类行为模式进行预测 的准确率不会超过93％的结论，这些工作证明了用户移动轨迹的规律性和可预测性。研究学者将数据挖掘方法应用到用户轨迹预测问题的研究中，提出了一系列的算法和技术，这些方法利用不同的相似度度量函数将用户轨迹数据进行聚类分析，进而得出用户的行为模式。Cadez和Gaffney等人通过建立轨迹的多元混合模型来对用户轨迹的所属模式进行概率估计，并利用EM算法来估计混合模型的参数，该算法可以获得用户全局的行为模式，但不能方便地获得用户局部的轨迹模式。Han J W等人首次提出用户“区域轨迹”的发现问题，区域轨迹在一定程度上反映了用户特定的兴趣，为了分析用户的区域轨迹，利用划分-聚类的思想提出了TRACLUS算法，该算法主要包含两个阶段：在划分阶段，算法首先将用户一次完整的移动轨迹划分为多个子轨迹序列，在聚类阶段使用基于密度的聚类方法将相似子轨迹进行合并，进而获得用户行为的“区域模式”。随后，再将“区域模式”和划分-聚类的思想应用于解决轨迹分类和异常轨迹检测的问题，提出了TraClass轨迹特征识别框架和TRAOD轨迹异常点检测算法。Agrawal在以上研究的基础上提出了对位置数据进行增量式聚类分析的算法框架TCMM,该框架包含微聚类和再聚类两个阶段，微聚类阶段算法根据特定的相似度度量方法和相似度阈值对新的轨迹数据和已存在的轨迹簇进行聚类，再聚类阶段对上一阶段产生的微簇进行重新合并聚类，再聚类操作在算法执行中不是必须的，只有在用户需要查询当前的轨迹聚类结果时进行。

上述方法的实施大都依赖完整、连续、静态的用户轨迹数据，而移动通信数据具有数据量庞大、信息分布离散、数据格式复杂等特点，现有的针对连续轨迹数据的研究方法难以直接应用到移动通信场景中，并且当有新的用户移动轨迹数据到来时，需要对全部轨迹数据进行重新建模，导致算法效率 低。

发明内容

本发明的目的是提供一种基于密度聚类的自适应轨迹预测方法，能够应用于移动通信场景下的用户移动轨迹预测，并且当新的用户移动轨迹到来时不需要对全部轨迹数据进行重新建模。

本发明所采用的技术方案是，基于密度聚类的自适应轨迹预测方法，包括轨迹建模阶段和轨迹更新阶段，轨迹建模阶段具体按照以下步骤实施：

步骤1，采集用户第i天的移动报告M_i，其中，i＞0；

步骤2，采用基于倒排索引的MR定位算法对移动报告M_i进行转化，得到用户一天的移动点集S_i；

步骤3，将移动点集S_i按照时间段0am-6am、6am-9am、9am-12am、12am-14pm、14pm-18pm、18pm-24pm划分为六个移动点子集；

步骤4，采用基于限定区域数据抽样的密度聚类算法密度聚类算法分别对六个移动点子集中的移动点进行聚类，得到包含有六个轨迹簇子集的轨迹簇集合T_i；

步骤5，计算轨迹簇集合T_i中每一个轨迹簇的轨迹点及其轨迹点的影响区域；

步骤6，计算轨迹簇集合T_i中每一个轨迹点的预测概率，并且将每一个轨迹点按照时间顺序组合得到用户轨迹预测模型TM_i；