[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

说明书

本发明涉及智慧交通、时空大数据技术领域，具体涉及一种时空大数据下基于移动马尔可夫模型的预测方法，该方法为：对采集的历史位置数据依次进行去噪处理、聚类处理、通过联合密度聚类算法得到聚类簇、针对聚类簇建立兴趣点、对兴趣点进行去噪处理保留真正的兴趣点、建立移动马尔可夫模型；移动用户数据被采集到后，经上述处理后，提取移动用户的兴趣点，根据移动马尔科夫模型实现对移动用户下一位置进行预测。本发明解决了时空大数据环境下数据存储处理量大，预测准确度和精度不理想，提高对移动用户位置预测的精度与准确度。

技术领域

本发明涉及智慧交通、时空大数据技术领域，具体涉及一种时空大数据下基于移动马尔可夫模型的预测方法。

背景技术

时空数据由于其所在空间的空间实体和空间现象在时间、空间和属性三个方面的固有特征，时空大数据呈现出多维、语义、时空动态关联的复杂性。时空大数据包括时间、空间、专题属性三维信息，具有多源、海量、更新快速的综合特点。时空数据已成为智慧城市资源的关键要素，通过研究时空大数据多维关联描述的形式化表达、关联关系动态建模与多尺度关联方法分析，进而对时空大数据信息进行挖掘与优化配置，从而优化城市资源的配置，减少城市资源的过度消耗和浪费提供决策支撑具有重要意义。

随着移动互联网技术、空间定位技术、位置服务技术、大数据技术和云计算等技术的飞速发展，智慧交通系统(ITS,Intelligence Transportation System)的应用在日常生活中变得越来越重要。目前，各种交通数据采集技术实时采集了海量的时空数据，基于此时空大数据对移动对象位置进行预测，进而对交通规划、交通监管与调度提供智能决策与服务，为用户提供更精细、准确、高效的服务，据此实现技术、社会与人的协调发展。

马尔可夫模型是一种统计分析模型，它的每个状态都是通过某些概率密度分布表现为各种状态，每一个状态是由一个具有相应概率密度分布的状态产生。

但是，目前基于时空大数据智能交通的价值还没有充分地挖掘，对智能交通系统中的时空数据无法高效的存储、检索、分析与挖掘，缺乏对用户出行和交通态势轨迹预测与研判。智慧交通中蕴含着时空大数据，在智慧交通的规划、建设与监管中，如何有效地对移动用户的轨迹、位置进行预测，进而为交通道路规划、交通调度与管理、城市规划、公共服务选择、安防工程提供决策支持与帮助一直没有得到很好的解决。

移动轨迹预测技术主要包括移动轨迹数据采集、去噪、特征参数提取、建立预测模型、预测识别决策等。本专利移动位置预测通过移动设备采集用户的移动位置数据，经数据预处理、去噪、基于密度的联合聚类模型与算法，提取用户的特征信息构建兴趣点序列，再经过构建移动马尔可夫模型实现对移动用户位置的预测。

发明内容

为了克服现有技术的不足，时空大数据环境下，本发明提供了一种时空大数据下基于移动马尔可夫模型的预测方法，以解决时空大数据环境下数据存储处理量大，预测准确度和精度不理想，提高对移动用户位置预测的精度与准确度。

为了实现上述目标，本发明所采用的技术方案如下：

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；

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，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；