[发明专利]基于密度聚类的自适应轨迹预测方法

摘要

本发明公开了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，轨迹建模阶段通过对新产生的移动报告进行栅格化处理得到移动点并划分为6个移动点子集，采用基于限定区域数据抽样的密度聚类算法对6个移动点子集聚类形成新轨迹簇，根据轨迹点的相似度将相同时间段内的新旧轨迹簇合并，更新合并后的轨迹簇的轨迹点以及影响区域，将这些轨迹点按照时间顺序组合便得到完整的用户移动轨迹，轨迹更新阶段对于轨迹建模阶段产生的用户移动轨迹进行修正。本发明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。

主权项

基于密度聚类的自适应轨迹预测方法，其特征在于，包括轨迹建模阶段和轨迹更新阶段，所述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Mi，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Mi进行转化，得到用户一天的移动点集Si；步骤3，将移动点集Si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Ti；步骤5，计算轨迹簇集合Ti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Ti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TMi；步骤7，对用户i+1天的移动报告Mi+1执行步骤1～步骤4，得到轨迹簇集合Ti+1，其中，i+1≥7；步骤8，按照步骤3中的时间段顺序依次计算在相同的时间段内轨迹簇集合Ti中的每一个轨迹簇与轨迹簇集合Ti+1中所有轨迹簇之间的相似度值，如果计算出来的相似度值不小于第一轨迹点相似度阈值，则将两个轨迹簇合并至轨迹簇集合Ti中，并且将轨迹簇集合Ti+1中已经被合并的轨迹簇删除，执行步骤9；如果计算出来的相似度值小于相似度阈值，则不将两个轨迹簇合并；步骤9，判断步骤8中合并操作完成之后的轨迹簇集合Ti中是否存在无效轨迹簇，如果合并操作完成之后的轨迹簇集合Ti中存在无效轨迹簇，则将合并操作后的轨迹簇集合Ti中的无效轨迹簇删除，执行步骤10；如果合并操作后的轨迹簇集合Ti中不存在无效轨迹簇，则将轨迹簇集合Ti+1中未进行合并操作的轨迹簇加入合并操作后的轨迹簇集合Ti中；步骤10，将轨迹簇集合Ti+1中未进行合并操作的轨迹簇加入删除了无效轨迹簇的轨迹簇集合Ti中，得到轨迹簇集合ti，判断轨迹簇集合ti中是否存在无效轨迹簇，如果轨迹簇集合ti中存在无效轨迹簇，则将轨迹簇集合ti中无效轨迹簇删除，执行步骤11；如果轨迹簇集合ti中不存在无效轨迹簇，则计算轨迹簇集合ti中每一个轨迹簇的轨迹点及其轨迹点的影响区域，以及每一个轨迹点的预测概率，并且将轨迹簇集合ti中的轨迹点按照时间顺序组合得到用户轨迹预测模型TMi+1；步骤11，计算删除了无效轨迹簇的轨迹簇集合ti中的每一个轨迹簇的轨迹点及其轨迹点的影响区域，以及每一个轨迹点的预测概率，并且将轨迹簇集合ti中的轨迹点按照时间顺序组合得到用户轨迹预测模型TMi+1；步骤12，对于用户i+n天的移动报告执行步骤7～步骤11，得到用户轨迹预测模型TMi+n；所述轨迹更新阶段具体按照以下步骤实施：步骤13，依次计算用户轨迹预测模型TMi+n中各时间段内任意一个轨迹点与其他所有轨迹点之间的相似度值，如果两个轨迹点的相似度值不小于第二轨迹点相似度阈值，则将轨迹簇集合ti+n中两个轨迹点对应的轨迹簇合并，并且使合并的两个轨迹簇的轨迹点保留次数均增长1，执行步骤14；如果两个轨迹点的相似度值小于第二轨迹点相似度阈值，则将两个轨迹点的保留次数均增长1，执行步骤14；步骤14，采用缩减因子β对轨迹簇集合ti+n中所有轨迹簇的大小进行缩减，并依次计算缩减后的轨迹簇集合ti+n中每一个轨迹点的栅格坐标及其影响区域，计算缩减后的轨迹簇集合ti+n中各个时间段内的每一个轨迹点的预测概率，并将轨迹点按照时间顺序组合得到用户移动轨迹预测模型TM′i+n。