[发明专利]一种基于HMM模型的室内移动轨迹数据的预测方法

摘要

本发明属于室内移动轨迹管理及预测领域，具体提供一种基于HMM模型的室内移动轨迹数据的预测方法，用以实现对于室内空间下，基于HMM轨迹数据预测。本发明首先，基于历史轨迹序列，取历史轨迹序列连续不重复点间的最小欧式距离为网格单元边长，对室内空间模型进行分层网格化，生成网格空间；基于网格空间，对历史轨迹数据进行投影，生成网格序列，对网格序列进行预处理，生成的历史网格轨迹数据库；然后，在DBSCAN算法基础上进行聚类，生成聚类信息库，并根据聚类信息表构造HMM模型；最后，基于训练好的HMM模型，使用Viterbi算法进行预测。本发明提供了室内轨迹数据位置预测方法，有效提高预测轨迹数据的准确性，进而优化室内轨迹数据管理系统的性能。

主权项

1.一种基于HMM模型的空间移动轨迹位置预测方法，其特征在于，包括以下步骤：步骤1：基于历史轨迹序列，取历史轨迹序列连续不重复点间的最小欧式距离为网格单元边长，对室内空间模型进行分层网格化，生成网格空间；步骤2：基于步骤1生成的网格空间，对历史轨迹数据进行投影，生成网格序列，对网格序列进行预处理，生成的历史网格轨迹数据库；步骤3：根据步骤2生成的历史网格轨迹数据库，在DBSCAN算法基础上进行聚类，生成聚类信息库；步骤4：构造HMM模型：步骤4.1：根据聚类信息表，选定HMM模型的隐状态为聚类生成的簇{C1,C2,...Cm}，m为聚类生成的簇类的数量,观测序列为网格空间中的所有网格点：{g1,g2,..gn}，n为观测序列的长度；设置初始状态概率矩阵λ：其中，k为离室内入口距离最近的簇的数量，设置该k个离室内入口距离最近的簇的初始状态为均匀分布，初始状态概率为1/k、其余状态概率为0；步骤4.2：根据融合拐角、停留时间和欧式距离三个特征计算初始状态转移概率A及混淆矩阵B，构造HMM初始模型；步骤4.3：基于步骤4.2构造的HMM初始模型，采用前向后向算法，以及Baum—Welch算法对输入观测序列进行模型训练；训练过程中，当状态转移概率矩阵A中时出现自转概率a_ij，i＝j为零时，则采用线性平滑的方法将第i行元素更新为其中，stoptime(C_i)表示簇C_i内所有网格点的停留时间stoptime的最大值，a_ij为状态转移矩阵A中的第i行，第j列的值，max(a_ij)表示状态概率转移矩阵A中第i行的概率最大值，Logisitic为数据归一化对数Logistic模式；当混淆矩阵B第i行中0元素的个数大于时，则采用线性平滑的方法将混淆矩阵B第i行更新为其中，εb为预设值，zi为混淆矩阵B中第i行中0元素的个数；步骤5：基于步骤4中训练好的HMM模型，使用Viterbi算法进行预测。