基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法
【專利摘要】本發(fā)明公開了基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，包括軌跡建模階段和軌跡更新階段，軌跡建模階段通過對(duì)新產(chǎn)生的移動(dòng)報(bào)告進(jìn)行柵格化處理得到移動(dòng)點(diǎn)并劃分為6個(gè)移動(dòng)點(diǎn)子集，采用基于限定區(qū)域數(shù)據(jù)抽樣的密度聚類算法對(duì)6個(gè)移動(dòng)點(diǎn)子集聚類形成新軌跡簇，根據(jù)軌跡點(diǎn)的相似度將相同時(shí)間段內(nèi)的新舊軌跡簇合并，更新合并后的軌跡簇的軌跡點(diǎn)以及影響區(qū)域，將這些軌跡點(diǎn)按照時(shí)間順序組合便得到完整的用戶移動(dòng)軌跡，軌跡更新階段對(duì)于軌跡建模階段產(chǎn)生的用戶移動(dòng)軌跡進(jìn)行修正。本發(fā)明基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，能夠應(yīng)用于移動(dòng)通信場(chǎng)景下的用戶移動(dòng)軌跡預(yù)測(cè)，并且當(dāng)新的用戶移動(dòng)軌跡到來(lái)時(shí)不需要對(duì)全部軌跡數(shù)據(jù)進(jìn)行重新建模。
【專利說明】基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)科學(xué)與技術(shù)的數(shù)據(jù)挖掘【技術(shù)領(lǐng)域】，涉及一種基于密度聚類的自 適應(yīng)軌跡預(yù)測(cè)方法。

【背景技術(shù)】
[0002] 隨著移動(dòng)便攜設(shè)備的廣泛普及、無(wú)線通信技術(shù)和全球定位技術(shù)的快速發(fā)展，使得 人們已經(jīng)能夠獲得大量的用戶實(shí)時(shí)位置數(shù)據(jù)，如利用車載GPS導(dǎo)航系統(tǒng)可以實(shí)時(shí)地獲得汽 車當(dāng)前的地理位置以及行駛方向等信息；對(duì)于攜帶移動(dòng)設(shè)備的用戶，通過基站定位的方式 能大概估計(jì)出用戶的活動(dòng)區(qū)域。將獲得的位置信息在連續(xù)時(shí)間點(diǎn)上"串聯(lián)"起來(lái)就形成了 某個(gè)用戶在一段時(shí)間內(nèi)的移動(dòng)軌跡。大量的用戶位置數(shù)據(jù)和移動(dòng)軌跡背后蘊(yùn)藏著豐富的空 間結(jié)構(gòu)信息和用戶的行為規(guī)律，通過對(duì)這些信息的分析與挖掘，可以為用戶提供多種增值 服務(wù)和工具，如智能交通中的電子地圖和路徑誘導(dǎo)服務(wù)、社交網(wǎng)絡(luò)中的好友推薦以及個(gè)性 化服務(wù)等。
[0003] 近年來(lái)，移動(dòng)網(wǎng)絡(luò)中基于位置信息的服務(wù)也越來(lái)越受到國(guó)內(nèi)外研究學(xué)者的關(guān)注， 軌跡預(yù)測(cè)技術(shù)是其中最受關(guān)注的熱點(diǎn)問題之一。在用戶移動(dòng)軌跡預(yù)測(cè)的研究中，基于位置 的行為分析取得了比較好的研究成果。Gonzalez等人通過分析10萬(wàn)個(gè)移動(dòng)用戶的移動(dòng)軌 跡數(shù)據(jù)，發(fā)現(xiàn)人們的軌跡在時(shí)空上呈現(xiàn)出一定的規(guī)律性，Blumm等人利用三個(gè)月100萬(wàn)手 機(jī)用戶的話單數(shù)據(jù)，通過度量每個(gè)用戶軌跡熵值的方法，論證得出了任何對(duì)于人類行為模 式進(jìn)行預(yù)測(cè)的準(zhǔn)確率不會(huì)超過93%的結(jié)論，這些工作證明了用戶移動(dòng)軌跡的規(guī)律性和可預(yù) 測(cè)性。研究學(xué)者將數(shù)據(jù)挖掘方法應(yīng)用到用戶軌跡預(yù)測(cè)問題的研究中，提出了 一系列的算法 和技術(shù)，這些方法利用不同的相似度度量函數(shù)將用戶軌跡數(shù)據(jù)進(jìn)行聚類分析，進(jìn)而得出用 戶的行為模式。Cadez和Gaffney等人通過建立軌跡的多元混合模型來(lái)對(duì)用戶軌跡的所屬 模式進(jìn)行概率估計(jì)，并利用EM算法來(lái)估計(jì)混合模型的參數(shù)，該算法可以獲得用戶全局的行 為模式，但不能方便地獲得用戶局部的軌跡模式。Han J W等人首次提出用戶"區(qū)域軌跡" 的發(fā)現(xiàn)問題，區(qū)域軌跡在一定程度上反映了用戶特定的興趣，為了分析用戶的區(qū)域軌跡，利 用劃分-聚類的思想提出了 TRACLUS算法，該算法主要包含兩個(gè)階段：在劃分階段，算法首 先將用戶一次完整的移動(dòng)軌跡劃分為多個(gè)子軌跡序列，在聚類階段使用基于密度的聚類方 法將相似子軌跡進(jìn)行合并，進(jìn)而獲得用戶行為的"區(qū)域模式"。隨后，再將"區(qū)域模式"和劃 分-聚類的思想應(yīng)用于解決軌跡分類和異常軌跡檢測(cè)的問題，提出了 TraClass軌跡特征識(shí) 別框架和TRA0D軌跡異常點(diǎn)檢測(cè)算法。Agrawal在以上研究的基礎(chǔ)上提出了對(duì)位置數(shù)據(jù)進(jìn) 行增量式聚類分析的算法框架TCMM，該框架包含微聚類和再聚類兩個(gè)階段，微聚類階段算 法根據(jù)特定的相似度度量方法和相似度閾值對(duì)新的軌跡數(shù)據(jù)和已存在的軌跡簇進(jìn)行聚類， 再聚類階段對(duì)上一階段產(chǎn)生的微簇進(jìn)行重新合并聚類，再聚類操作在算法執(zhí)行中不是必須 的，只有在用戶需要查詢當(dāng)前的軌跡聚類結(jié)果時(shí)進(jìn)行。
[0004] 上述方法的實(shí)施大都依賴完整、連續(xù)、靜態(tài)的用戶軌跡數(shù)據(jù)，而移動(dòng)通信數(shù)據(jù)具有 數(shù)據(jù)量龐大、信息分布離散、數(shù)據(jù)格式復(fù)雜等特點(diǎn)，現(xiàn)有的針對(duì)連續(xù)軌跡數(shù)據(jù)的研究方法難 以直接應(yīng)用到移動(dòng)通信場(chǎng)景中，并且當(dāng)有新的用戶移動(dòng)軌跡數(shù)據(jù)到來(lái)時(shí)，需要對(duì)全部軌跡 數(shù)據(jù)進(jìn)行重新建模，導(dǎo)致算法效率低。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，能夠應(yīng)用于移動(dòng) 通信場(chǎng)景下的用戶移動(dòng)軌跡預(yù)測(cè)，并且當(dāng)新的用戶移動(dòng)軌跡到來(lái)時(shí)不需要對(duì)全部軌跡數(shù)據(jù) 進(jìn)行重新建模。
[0006] 本發(fā)明所采用的技術(shù)方案是，基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，包括軌跡建 模階段和軌跡更新階段，軌跡建模階段具體按照以下步驟實(shí)施：
[0007] 步驟1，采集用戶第i天的移動(dòng)報(bào)告％，其中，i>0 ;
[0008] 步驟2,采用基于倒排索引的MR定位算法對(duì)移動(dòng)報(bào)告％進(jìn)行轉(zhuǎn)化，得到用戶一天 的移動(dòng)點(diǎn)集Si ;
[0009] 步驟 3，將移動(dòng)點(diǎn)集 Si 按照時(shí)間段 0am-6am、6am-9am、9am-12am、12am_14pm、 14pm-18pm、18pm-24pm劃分為六個(gè)移動(dòng)點(diǎn)子集；
[0010] 步驟4,采用基于限定區(qū)域數(shù)據(jù)抽樣的密度聚類算法密度聚類算法分別對(duì)六個(gè)移 動(dòng)點(diǎn)子集中的移動(dòng)點(diǎn)進(jìn)行聚類，得到包含有六個(gè)軌跡簇子集的軌跡簇集合;
[0011] 步驟5,計(jì)算軌跡簇集合Ti中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域；
[0012] 步驟6,計(jì)算軌跡簇集合1\中每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將每一個(gè)軌跡點(diǎn)按照 時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TMi;
[0013] 步驟7,對(duì)用戶i+1天的移動(dòng)報(bào)告Mi+1執(zhí)行步驟1?步驟4,得到軌跡簇集合T i+1， 其中，i+1彡7 ;
[0014] 步驟8,按照步驟3中的時(shí)間段順序依次計(jì)算在相同的時(shí)間段內(nèi)軌跡簇集合凡中 的每一個(gè)軌跡簇與軌跡簇集合T i+1中所有軌跡簇之間的相似度值，如果計(jì)算出來(lái)的相似度 值不小于第一軌跡點(diǎn)相似度閾值，則將兩個(gè)軌跡簇合并至軌跡簇集合中，并且將軌跡簇 集合T i+1中已經(jīng)被合并的軌跡簇刪除，執(zhí)行步驟9 ;如果計(jì)算出來(lái)的相似度值小于相似度閾 值，則不將兩個(gè)軌跡簇合并；
[0015] 步驟9,判斷合并操作后的軌跡簇集合1\中是否存在無(wú)效軌跡簇，如果合并操作后 的軌跡簇集合中存在無(wú)效軌跡簇，則將合并操作后的軌跡簇集合中的無(wú)效軌跡簇刪 除，執(zhí)行步驟10 ;如果合并操作后的軌跡簇集合1\中不存在無(wú)效軌跡簇，則將軌跡簇集合 Ti+1中未進(jìn)行合并操作的軌跡簇加入合并操作后的軌跡簇集合中，并計(jì)算加入操作之后 的軌跡簇集合中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè) 概率，并且將軌跡簇集合中的軌跡點(diǎn)按照時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ;
[0016] 步驟10,將軌跡簇集合Ti+1中未進(jìn)行合并操作的軌跡簇加入刪除了無(wú)效軌跡簇的 軌跡簇集合中，得到軌跡簇集合判斷軌跡簇集合^中是否存在無(wú)效軌跡簇，如果軌跡 簇集合h中存在無(wú)效軌跡簇，則將軌跡簇集合&中無(wú)效軌跡簇刪除，執(zhí)行步驟11 ;如果軌 跡簇集合1^中不存在無(wú)效軌跡簇，則計(jì)算軌跡簇集合中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡 點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將軌跡簇集合h中的軌跡點(diǎn)按照時(shí)間 順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ;
[0017]步驟11，計(jì)算刪除了無(wú)效軌跡簇的軌跡簇集合&中的每一個(gè)軌跡簇的軌跡點(diǎn)及其 軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將軌跡簇集合ti中的軌跡點(diǎn)按照 時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TMi+1 ;
[0018] 步驟12,對(duì)于用戶i+n天的移動(dòng)報(bào)告執(zhí)行步驟7?步驟11，得到用戶軌跡預(yù)測(cè)模 型 TMi+n ;
[0019] 軌跡更新階段具體按照以下步驟實(shí)施：
[0020] 步驟13,依次計(jì)算用戶軌跡預(yù)測(cè)模型TMi+n中各時(shí)間段內(nèi)任意一個(gè)軌跡點(diǎn)與其他 所有軌跡點(diǎn)之間的相似度值，如果兩個(gè)軌跡點(diǎn)的相似度值不小于第二軌跡點(diǎn)相似度閾值， 則將軌跡簇集合t i+n中兩個(gè)軌跡點(diǎn)對(duì)應(yīng)的軌跡簇合并，并且使合并的兩個(gè)軌跡簇的軌跡點(diǎn) 保留次數(shù)均增長(zhǎng)1，執(zhí)行步驟14 ;如果兩個(gè)軌跡點(diǎn)的相似度值小于第二軌跡點(diǎn)相似度閾值， 則將兩個(gè)軌跡點(diǎn)的保留次數(shù)均增長(zhǎng)1，執(zhí)行步驟14 ;
[0021] 步驟14,采用縮減因子0對(duì)軌跡簇集合ti+n中所有軌跡簇的大小進(jìn)行縮減，并依 次計(jì)算縮減后的軌跡簇集合t i+n中每一個(gè)軌跡點(diǎn)的柵格坐標(biāo)及其影響區(qū)域，計(jì)算縮減后的 軌跡簇集合ti+n中各個(gè)時(shí)間段內(nèi)的每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并將軌跡點(diǎn)按照時(shí)間順序組 合得到用戶移動(dòng)軌跡預(yù)測(cè)模型TM' i+n。
[0022] 本發(fā)明的特點(diǎn)還在于，
[0023] 步驟9具體按照以下步驟實(shí)施：
[0024] 步驟9. 1，計(jì)算合并操作后的軌跡簇集合1\中每一個(gè)時(shí)間段內(nèi)的軌跡點(diǎn)個(gè)數(shù)，如果 某個(gè)時(shí)間段內(nèi)軌跡簇中的軌跡點(diǎn)個(gè)數(shù)不小于軌跡點(diǎn)刪除閾值，則執(zhí)行步驟9. 2 ;如果某個(gè) 時(shí)間段內(nèi)軌跡簇中的軌跡點(diǎn)個(gè)數(shù)小于軌跡點(diǎn)刪除閾值，則將軌跡簇集合Ti+1中未進(jìn)行合并 操作的軌跡簇加入合并操作完成之后的軌跡簇集合中，并計(jì)算加入操作之后的軌跡簇集 合中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且 將軌跡簇集合中的軌跡點(diǎn)按照時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ;
[0025] 步驟9. 2,依次計(jì)算合并操作后的軌跡簇集合中每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，將預(yù) 測(cè)概率小于軌跡點(diǎn)預(yù)測(cè)概率下限閾值且保留次數(shù)大于軌跡點(diǎn)保留次數(shù)的軌跡點(diǎn)及其相應(yīng) 的軌跡簇刪除。
[0026] 步驟5、步驟10、步驟11和步驟14中的軌跡點(diǎn)是指軌跡簇中全部移動(dòng)點(diǎn)位置坐標(biāo) 的加權(quán)平均點(diǎn)，軌跡點(diǎn)的影響區(qū)域是以軌跡點(diǎn)為中心的圓形區(qū)域；軌跡點(diǎn)及其影響區(qū)域用 0grid_x, grid_y, m, k表示，其中g(shù)rid_x, grid_y為軌跡點(diǎn)所在的柵格坐標(biāo)，由以下方法計(jì) 算得出，
[0027]

【權(quán)利要求】
1.基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，包括軌跡建模階段和軌跡更新 階段，所述軌跡建模階段具體按照以下步驟實(shí)施： 步驟1，采集用戶第i天的移動(dòng)報(bào)告Mi，其中，i > 0 ; 步驟2,采用基于倒排索引的MR定位算法對(duì)移動(dòng)報(bào)告％進(jìn)行轉(zhuǎn)化，得到用戶一天的移 動(dòng)點(diǎn)集Si ; 步驟 3，將移動(dòng)點(diǎn)集 Si 按照時(shí)間段 0am-6am、6am-9am、9am-12am、12am-14pm、 14pm-18pm、18pm-24pm劃分為六個(gè)移動(dòng)點(diǎn)子集； 步驟4,采用基于限定區(qū)域數(shù)據(jù)抽樣的密度聚類算法分別對(duì)六個(gè)移動(dòng)點(diǎn)子集中的移動(dòng) 點(diǎn)進(jìn)行聚類，得到包含有六個(gè)軌跡簇子集的軌跡簇集合凡； 步驟5,計(jì)算軌跡簇集合?\中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域； 步驟6,計(jì)算軌跡簇集合1\中每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將每一個(gè)軌跡點(diǎn)按照時(shí)間 順序組合得到用戶軌跡預(yù)測(cè)模型TMi ; 步驟7,對(duì)用戶i+1天的移動(dòng)報(bào)告Mi+1執(zhí)行步驟1?步驟4,得到軌跡簇集合Ti+1，其中 i+Ι 彡 7 ; 步驟8,按照步驟3中的時(shí)間段順序依次計(jì)算在相同的時(shí)間段內(nèi)軌跡簇集合?\中的每 一個(gè)軌跡簇與軌跡簇集合Ti+1中所有軌跡簇之間的相似度值，如果計(jì)算出來(lái)的相似度值不 小于第一軌跡點(diǎn)相似度閾值，則將兩個(gè)軌跡簇合并至軌跡簇集合?\中，并且將軌跡簇集合 Ti+1中已經(jīng)被合并的軌跡簇刪除，執(zhí)行步驟9 ;如果計(jì)算出來(lái)的相似度值小于相似度閾值， 則不將兩個(gè)軌跡簇合并； 步驟9,判斷合并操作后的軌跡簇集合1\中是否存在無(wú)效軌跡簇，如果合并操作后的軌 跡簇集合1\中存在無(wú)效軌跡簇，則將合并操作后的軌跡簇集合?\中的無(wú)效軌跡簇刪除，執(zhí) 行步驟10 ; 如果合并操作后的軌跡簇集合1\中不存在無(wú)效軌跡簇，則將軌跡簇集合Ti+1中未進(jìn)行 合并操作的軌跡簇加入合并操作后的軌跡簇集合?\中，并計(jì)算加入操作之后的軌跡簇集合 中每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將 軌跡簇集合中的軌跡點(diǎn)按照時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ; 步驟10,將軌跡簇集合Ti+1中未進(jìn)行合并操作的軌跡簇加入刪除了無(wú)效軌跡簇的軌跡 簇集合?\中，得到軌跡簇集合判斷軌跡簇集合^中是否存在無(wú)效軌跡簇，如果軌跡簇集 合h中存在無(wú)效軌跡簇，則將軌跡簇集合&中無(wú)效軌跡簇刪除，執(zhí)行步驟11 ; 如果軌跡簇集合1^中不存在無(wú)效軌跡簇，則計(jì)算軌跡簇集合ti中每一個(gè)軌跡簇的軌跡 點(diǎn)及其軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將軌跡簇集合ti中的軌跡 點(diǎn)按照時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ; 步驟11，計(jì)算刪除了無(wú)效軌跡簇的軌跡簇集合ti中的每一個(gè)軌跡簇的軌跡點(diǎn)及其軌跡 點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將軌跡簇集合ti中的軌跡點(diǎn)按照時(shí)間 順序組合得到用戶軌跡預(yù)測(cè)模型TMi+1 ; 步驟12,對(duì)于用戶i+n天的移動(dòng)報(bào)告執(zhí)行步驟7?步驟11，得到用戶軌跡預(yù)測(cè)模型 TMi+n ； 所述軌跡更新階段具體按照以下步驟實(shí)施： 步驟13,依次計(jì)算用戶軌跡預(yù)測(cè)模型TMi+n中各時(shí)間段內(nèi)任意一個(gè)軌跡點(diǎn)與其他所有 軌跡點(diǎn)之間的相似度值，如果兩個(gè)軌跡點(diǎn)的相似度值不小于第二軌跡點(diǎn)相似度閾值，則將 軌跡簇集合ti+n中兩個(gè)軌跡點(diǎn)對(duì)應(yīng)的軌跡簇合并，并且使合并的兩個(gè)軌跡簇的軌跡點(diǎn)保留 次數(shù)均增長(zhǎng)1，執(zhí)行步驟14 ;如果兩個(gè)軌跡點(diǎn)的相似度值小于第二軌跡點(diǎn)相似度閾值，則將 兩個(gè)軌跡點(diǎn)的保留次數(shù)均增長(zhǎng)1，執(zhí)行步驟14 ; 步驟14,采用縮減因子β對(duì)軌跡簇集合ti+n中所有軌跡簇的大小進(jìn)行縮減，并依次計(jì) 算縮減后的軌跡簇集合ti+n中每一個(gè)軌跡點(diǎn)的柵格坐標(biāo)及其影響區(qū)域，計(jì)算縮減后的軌跡 簇集合ti+n中各個(gè)時(shí)間段內(nèi)的每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并將軌跡點(diǎn)按照時(shí)間順序組合得 到用戶移動(dòng)軌跡預(yù)測(cè)模型TM' i+n。
2. 根據(jù)權(quán)利要求1所述的一種基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，所 述步驟9具體按照以下步驟實(shí)施： 步驟9. 1，計(jì)算合并操作后的軌跡簇集合1\中每一個(gè)時(shí)間段內(nèi)的軌跡點(diǎn)個(gè)數(shù)，如果某個(gè) 時(shí)間段內(nèi)軌跡簇中的軌跡點(diǎn)個(gè)數(shù)不小于軌跡點(diǎn)刪除閾值，則執(zhí)行步驟9. 2 ;如果某個(gè)時(shí)間 段內(nèi)軌跡簇中的軌跡點(diǎn)個(gè)數(shù)小于軌跡點(diǎn)刪除閾值，則將軌跡簇集合Ti+Ι中未進(jìn)行合并操 作的軌跡簇加入合并操作后的軌跡簇集合?\中，并計(jì)算加入操作之后的軌跡簇集合中每一 個(gè)軌跡簇的軌跡點(diǎn)及其軌跡點(diǎn)的影響區(qū)域，以及每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，并且將軌跡簇 集合中的軌跡點(diǎn)按照時(shí)間順序組合得到用戶軌跡預(yù)測(cè)模型TM i+1 ; 步驟9. 2,依次計(jì)算合并操作后的軌跡簇集合?\中每一個(gè)軌跡點(diǎn)的預(yù)測(cè)概率，將預(yù)測(cè)概 率小于軌跡點(diǎn)預(yù)測(cè)概率下限閾值且保留次數(shù)大于軌跡點(diǎn)保留次數(shù)的軌跡點(diǎn)及其相應(yīng)的軌 跡簇刪除。
3. 根據(jù)權(quán)利要求1所述的一種基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，步 驟5、步驟10、步驟11和步驟14中的所述軌跡點(diǎn)是指軌跡簇中全部移動(dòng)點(diǎn)位置坐標(biāo)的加權(quán) 平均點(diǎn)，軌跡點(diǎn)的影響區(qū)域是以軌跡點(diǎn)為中心的圓形區(qū)域；軌跡點(diǎn)及其影響區(qū)域用〇grid_ X，grid_y，m, k表示，其中g(shù)rid_x, grid_y為軌跡點(diǎn)所在的柵格坐標(biāo)，由以下方法計(jì)算得出， grid _.x = T^grid _x, x grid _ y = ^grid _ x r=l 1-=1 ( 1 ()) 其中 <grid_xk，grid_yk，mk> (1 彡 k 彡 n) e Cmov ; m為軌跡點(diǎn)所代表的移動(dòng)報(bào)告數(shù)，其值為軌跡簇中全部移動(dòng)點(diǎn)所包含移動(dòng)報(bào)告數(shù)目的 總和，k為軌跡點(diǎn)的影響半徑，由以下方法計(jì)算得出， η r-1 η η /c =. I/Η,. x 化,;，m丨腿 < I< Wma' ;〇 < 化,< 1 r=l r=l η L 廣1 (11) 其中，mmax，mmin分別為移動(dòng)報(bào)告數(shù)目的上限閾值和下限閾值，mmax，m min的值分別為1000, 100, kmax，kmin分別為軌跡點(diǎn)影響范圍的上限閾值和下限閾值，kmax，k min的值分別為250,25。
4. 根據(jù)權(quán)利要求1所述的一種基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，所 述步驟6、步驟10、步驟11和步驟14中軌跡點(diǎn)的預(yù)測(cè)概率按照以下公式計(jì)算： (1 </</?) (12) Μ 其中，m代表該軌跡點(diǎn)所在柵格內(nèi)包含的移動(dòng)報(bào)告數(shù)目。
5. 根據(jù)權(quán)利要求1所述的基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，所述步 驟8和步驟13中兩個(gè)軌跡簇之間的相似度值按照以下公式計(jì)算： S㈣ 0'M =々丨+W((以)><利.''丨-).:)4 (13) mir^/cp/cjx 2 其中，sirn^i，02)代表兩個(gè)軌跡點(diǎn)和02之間的相似度值； Xi，X2分別為軌跡點(diǎn)和軌跡點(diǎn)〇2所在柵格的行號(hào)； yi，y2分別為軌跡點(diǎn)和軌跡點(diǎn)〇2所在柵格的列號(hào)； kp k2分別為軌跡點(diǎn)和軌跡點(diǎn)02所在柵格包含的移動(dòng)報(bào)告數(shù)目； α為柵格邊長(zhǎng)，大小為30mX30m。
6. 根據(jù)權(quán)利要求1所述的基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，步驟14 中采用縮減因子對(duì)β對(duì)軌跡簇集合ti+n中所有軌跡簇的大小進(jìn)行縮減，按照以下公式計(jì) 算： m' = m* β (4) 其中，m為縮減前的軌跡簇中所包含的移動(dòng)報(bào)告的數(shù)目； m'為縮減后的軌跡簇中所包含的移動(dòng)報(bào)告的數(shù)目。
7. 根據(jù)權(quán)利要求1所述的基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征在于，所述步 驟9和步驟10中的無(wú)效軌跡簇是指軌跡簇的軌跡點(diǎn)的預(yù)測(cè)概率小于軌跡點(diǎn)預(yù)測(cè)概率下限 閾值且保留次數(shù)大于軌跡點(diǎn)保留次數(shù)閾值的軌跡點(diǎn)。
8. 根據(jù)權(quán)利要求1至7中任一項(xiàng)所述的基于密度聚類的自適應(yīng)軌跡預(yù)測(cè)方法，其特征 在于，所述軌跡點(diǎn)保留次數(shù)閾值取值為3 ;所述軌跡簇的縮減因子β取值為0. 8 ;所述軌跡 點(diǎn)預(yù)測(cè)概率的下限閾值取值為〇. 1 ;所述軌跡點(diǎn)的刪除閾值取值為7 ;所述第一軌跡點(diǎn)相似 度閾值取值為〇. 3 ;所述第二軌跡點(diǎn)相似度閾值取值為0. 5。
【文檔編號(hào)】G06F17/30GK104239556SQ201410498088
【公開日】2014年12月24日 申請(qǐng)日期:2014年9月25日 優(yōu)先權(quán)日:2014年9月25日
【發(fā)明者】周紅芳, 張國(guó)榮, 趙雪涵, 郭杰, 段文聰, 王心怡, 何馨依 申請(qǐng)人:西安理工大學(xué)