[发明专利]基于Markov模型和概率统计的位置预测方法及可读存储介质

说明书

本发明公开了一种基于Markov模型和概率统计的位置预测方法及可读存储介质，预测方法包括：采集用户的位置定位坐标集，并进行预处理，得到体现运动轨迹的位置序列数据集；建立变阶Markov模型，以对位置序列数据集进行位置预测，得到预测的第一位置预测坐标及对应的第一位置预测概率；利用用户累计的轨迹数据建立位置预测数据库，构建对应的概率矩阵，以对位置序列数据集进行位置预测，得到预测的第二位置预测坐标及对应的第二位置预测概率；若第一位置预测概率大于第二位置预测概率，则取第一位置预测坐标为位置预测结果；否则取第二位置预测坐标为位置预测结果。本发明采用Markov模型结合概率统计来获取位置预测的高精准度和低计算复杂度。

技术领域

本发明涉及地理位置信息预测领域，尤其涉及一种基于Markov模型和概率统计的位置预测方法及可读存储介质。

背景技术

随着计算机技术的日益发展和普及，智能移动设备已经成为每个人日常生活中必不可少的工具。为了更好得为用户提供精准的服务，LBS(Location Based Service)应运而生。而为了获得用户的位置信息数据，目前智能移动设备都内置了GPS传感器、加速度传感器等多种传感器以获取用户的位置信息。当用户在使用数字地图等需要位置相关信息的应用时，传感器都会记录下用户当前的位置信息。这些位置信息如果按照时间排列就可以用来展示用户在这段时间内的运动轨迹。用户的运动轨迹在一定程度上显示了用户的行为习惯，具有可预测性。目前LBS技术的研究中最重要的方向就是利用用户的历史位置信息，预测用户下一步将要到达的位置，即位置预测技术。

位置预测技术的应用非常广泛，如路径规划、服务推送、广告投放、用户画像等具有极高的商业价值，因此吸引了大量学者对该领域展开研究。但研究成功却令人不胜满意，首先目前的位置预测技术往往仅使用了GPS位置坐标进行预测，但是犹豫GPS位置坐标点本身就存在一定误差并且易受到地理特征的限制，因此导致预测的效果较差。其次在预测模型的选择上主要有基于运动模型的位置预测和基于频繁模式挖掘的位置预测，基于运动模型的位置预测方法主要是通过历史数据拟合出用户运动过程中的线性或非线性模型来进行预测，但是在实际情况中用户移动轨迹非常负责，很难用单一的线性或非线性模型进新描述；基于频繁模式挖掘的位置预测方法是目前位置预测领域中比较热门的方法，但任然存在一些问题如空间复杂度较高导致模型计算速度太慢，低阶矩阵预测准确率较低等问题。

综上所述，目前位置预测技术任然存在需要解决的问题。

发明内容

当前对于位置预测技术的精准度要求越来愈高，需求也越发广泛，为了解决现有技术中的问题，本发明提供了一种基于Markov模型和概率统计的位置预测方法及可读存储介质，能够高效准确地对位置进行预测，所述技术方案如下：

一方面，本发明提供了一种基于Markov模型和概率统计的位置预测方法，包括以下步骤：

采集用户的位置定位坐标集，并对其进行数据预处理，得到体现运动轨迹的位置序列数据集；

建立变阶Markov模型，以对所述位置序列数据集进行位置预测，得到预测的第一位置预测坐标及对应的第一位置预测概率；

利用用户累计的轨迹数据建立位置预测数据库，构建对应的概率矩阵，以对所述位置序列数据集进行位置预测，得到预测的第二位置预测坐标及对应的第二位置预测概率；

比较所述第一位置预测概率和第二位置预测概率的大小；

若所述第一位置预测概率大于第二位置预测概率，则取所述第一位置预测坐标为位置预测结果；否则取所述第二位置预测坐标为位置预测结果。

进一步地，将所述位置序列数据集构造成字典树序列集，变阶Markov模型通过以下公式对所述字典树序列集进行位置预测：