[发明专利]一种应用模糊轨迹序列的轨迹预测方法

说明书

本发明提出一种应用模糊轨迹序列的轨迹预测方法，通过引入模糊轨迹序列模型，对用户的移动轨迹进行模糊化处理，并通过模糊时间序列的预测方法，对用户的运动轨迹进行预测。方法中对用户的轨迹进行了模糊化处理，设计了网格化的模糊化方法，由此实现了模糊轨迹序列模型。通过引入离群点处理的机制，本方法可以处理历史信息不足时的轨迹预测问题，通过引入离群点检测机制以及离群点预测模型，以降低离群点对算法整体性能的影响。

技术领域

本发明涉及用户轨迹序列预测问题，特别涉及一种引入了模糊轨迹序列模型的轨迹预测方法。

背景技术

1、轨迹预测

随着定位技术的发展及广泛应用，基于位置的服务(Location-based Service，LBS)逐渐成为生活中不可获缺的部分。通过分析用户的轨迹信息，挖掘其中隐含的用户信息来完善用户的服务体验，成为数据挖掘的一个重要领域。通过用户的轨迹信息对用户的轨迹进行预测，对导航服务、交通管理以及基于位置的广告投放等应用至关重要，成为了轨迹挖掘的一个研究热点。

2、轨迹预测的常见方法

轨迹预测问题主要分为长期预测以及短期预测：长期预测适用于时间跨度长、采样间隔大的轨迹样本预测问题，用户的移动目标对用户轨迹起主要决定作用，主要通过历史用户轨迹的挖掘，发掘用户相似轨迹或规律用于样本的预测；短期预测则适用于时间跨度短、采样间隔小的轨迹样本预测问题，用户的移动习惯对用户轨迹起主要决定作用，主要通过对短期用户行为模式进行分析建模完成预测。

轨迹预测的方法可以分为两类，分别是统计类方法以及机器学习类方法。统计类方法主要通过数学领域的统计模型以及概率模型对用户轨迹进行建模，建立的模型简单，算法运行效率高，但因此难以有效的处理现实中复杂的数据集；机器学习类方法通过应用机器学习领域的预测技术，挖掘轨迹信息建立用户轨迹模型进行预测，能够建立起复杂的用户轨迹模型，但算法效率低，算法运行时间长。

现有的轨迹预测方法都立足于所得到的用户轨迹是大致精确的这一前提，不论是统计学的预测方法还是机器学习的方法，均对样本的数据不做过多的预处理而直接使用，而在实际生活中通过定位服务所得到的轨迹序列均包含误差，这种误差影响了现有方法的预测精度。

发明内容

本发明的目的在于针对不精确、存在偏移的用户轨迹序列的预测问题，提出一种应用模糊轨迹序列的轨迹预测方法，该方法通过引入模糊轨迹序列对用户的轨迹进行预测，使得预测方法能够处理不精确的、存在坐标偏移的轨迹序列，能够更广泛的应用于现实生活中的轨迹预测。

为了达到上述目的，本发明采用了以下技术方案：

1)针对任意一待预测用户，确定用户轨迹训练样本集的论域，所述用户轨迹训练样本为所述论域范围内若干个用户的轨迹序列，将用户轨迹训练样本集中的用户轨迹序列以截取的方式重构为若干个包含k个时刻用户位置坐标的高维轨迹序列，根据论域的网格化划分方案将所述高维轨迹序列模糊化为高维模糊轨迹序列，且满足使相同或相似的高维轨迹序列在模糊化后仍为相同或相似的高维模糊轨迹序列，得到用于高维模糊轨迹序列模型训练的集合；

2)在每一个高维模糊轨迹序列后加入下一刻对应用户的位置坐标，得到高维模糊轨迹序列模型的训练集，对高维模糊轨迹序列模型的训练集应用聚类方法获得簇，并由簇中心构建相应的模糊逻辑规则，依据模糊逻辑规则对由用户轨迹训练样本集中的用户轨迹序列重构得到的高维轨迹序列进行划分，对于任意一个高维轨迹序列：若该高维轨迹序列不满足模糊逻辑规则，则将该高维轨迹序列加入离群点样本训练集合，利用离群点样本训练得到离群点预测模型；