[发明专利]一种时空大数据下基于移动马尔可夫模型的预测方法

权利要求书

1.一种时空大数据下基于移动马尔可夫模型的预测方法，其特征在于，包括如下步骤：

步骤一：对采集的历史位置数据进行去噪处理；对采集到的历史位置数据进行去噪，滤除干扰数据，滤除动态移动轨迹，保留静态移动轨迹；

对采集到的移动轨迹数据进行离散化处理，给定欧氏空间，轨迹序列T＝{t₁,t₂,···,t_n}为按时间顺序排列的离散轨迹点，轨迹段TS＝{ts₁,ts₂,···,ts_k}为按时间序列排列的离散轨迹序列，轨迹段为连续的轨迹点构成的有序离散的线段；离散轨迹段速度表示轨迹第j段的速度，为由最近的n个离散轨迹点构成的离散轨迹段的平均速度，保留静态的移动轨迹，如果第j段的移动轨迹的则该段为静态的移动轨迹，其中δ为预先定义的一个常数，由于移动轨迹是动态变化的，该常数取局部均值，

其中，为最近n个移动轨迹段第j段的速度；

去噪处理的方法为：首先保留静态移动轨迹，即静态移动轨迹的速度speedδ，δ为预先定义的一个常数；当移动轨迹的速度speedδ，即为动态移动轨迹，从而删除所有动态移动轨迹；同时滤除所有动态的移动轨迹，滤除的移动轨迹数据，ts_j与前一个移动轨迹段ts_j-1合并为一个移动轨迹段；

步骤二：对去噪的数据进行聚类处理；对所述步骤一中去噪后得到的静态移动轨迹通过联合密度聚类算法对静态移动轨迹进行基于联合密度的聚类处理得到聚类簇；

步骤三：针对聚类簇建立兴趣点；针对所述步骤二中得到的聚类簇，提取出移动用户的行为特征，对每个类簇标记相应的语义信息，从而建立用户的兴趣点；

步骤四：对兴趣点进行去噪处理；对所述步骤三中的兴趣点进行计算，计算出每个兴趣点的半径、间隔时间与密度，同时对兴趣点中包含的每个去噪的移动轨迹再一次进行聚类处理，进一步滤除兴趣点中的噪声数据，保留真正的兴趣点；如果某些静态移动轨迹不属于任何一个簇，则被标记为unknown，然后所有的被标记为unknown的静态移动轨迹被移除，所有连续的静态移动轨迹共享同一个标签并被归结为单个事件，一个事件对应一个状态；

步骤五：建立移动马尔可夫模型；对于所述步骤四中得到的每个真正的兴趣点建立状态转移概率和状态转移概率矩阵；根据训练数据，构建n-MMCs状态转移概率矩阵，状态不仅考虑当前兴趣点，还考虑以前的n-1个已经访问过的兴趣点；

步骤六：预测下一位置；移动用户数据被采集到后，经上述步骤一～四处理，提取移动用户的兴趣点，根据所述步骤五中建立的移动马尔科夫模型实现对移动用户下一位置进行预测。

2.根据权利要求1所述的一种时空大数据下基于移动马尔可夫模型的预测方法，其特征在于，对所述步骤二中聚类簇合进行类簇合并，所述类簇合并的方法为：聚类簇C₁＝{c₁,c₃,c₇,c₉}和聚类簇C2＝{c₉,c₁₁,c₁₂}，则这两个聚类簇合并为一个聚类簇：C₁∪C₂＝{c₁,c₃,c₇,c₉,c₁₁,c₁₂}。