[发明专利]一种基于IMM-GMR模型的社会行为体位置预测方法

说明书

本发明公开了一种基于IMM‑GMR模型的社会行为体位置预测方法，属于位置数据处理与预测技术领域。包括：获取社会行为体的坐标数据集，坐标数据集中的数据表征社会行为体的轨迹，对社会行为体的轨迹进行分段；对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于聚类簇的数量时，构建IMM‑GMR模型，用于预测社会行为体的轨迹。所述方法使得轨迹预测模型不再受限于单一移动模式，大幅提升对包含多移动模式的历史轨迹数据进行预测的准确率，实现了适配多移动模式的社会行为体位置的高精度预测。

技术领域

本发明属于位置数据处理与预测技术领域，尤其涉及一种基于IMM-GMR模型的社会行为体位置预测方法。

背景技术

位置信息与人类行为存在较强的关联性，这种关联性使分析者能够在获取用户移动终端历史位置信息的情况下，综合利用各类时空数据挖掘技术推断用户的敏感信息。其中，用户的未来轨迹是一种重要的敏感信息，具有十分重要的用途。在商业方面，它可用于精准的移动广告投放，在社交网络方面可用于基于位置的推荐系统，特别是在网络空间态势认知方面，对社会角色层中的社会行为体分析具有重要意义。

目前的轨迹预测主要分为单步迭代预测和模型回归预测。单步迭代预测通过频繁模式挖掘预测、线性模型预测、马尔可夫预测、贝叶斯网络预测等方法，将上一步预测结果作为下一步预测输入。基于改进的卡尔曼滤波方法，如扩展卡尔曼滤波方法，通过建立目标移动非线性模型，并进行状态更新，然后根据滤波增益进行量测更新。但该方法存在许多不足：首先，这些通常需要对轨迹信息进行离散化。而离散化意味着连续轨迹部分细节信息的缺失，无形中提高了输入数据的粒度，从而使得精度降低。其次，这些方法一般仅局限于单步预测，在多步预测时，一般通过多次迭代来完成，而迭代过程会使误差迅速积累，从而使得预测误差增加。

模型回归预测方法既不需要对原始轨迹离散化，又能以较高的精度实现多步预测。该预测方法的基本思路是通过学习用户的历史轨迹，建立能够描述用户移动模式的轨迹模型，在已知当前一段观测序列的前提下，通过该模型实现对一整段轨迹的预测。相关文献通过采用基于原型的聚类方法，利用GMM（Gaussian Mixture Model，高斯混合模型）对训练轨迹数据进行回归分析和轨迹建模。该方法虽然克服了单步迭代预测方法误差易积累的不足，但其在对移动模式的描述上具有一定的局限性。

发明内容

针对上述技术问题，本发明公开了一种基于IMM-GMR（IMM, InteractingMultiple Models，交互式多模型，GMR，Gaussian Mixture Regression，高斯混合回归）模型的社会行为体位置预测方法。所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；其中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹。

在优选实施例中，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为体的轨迹进行分段；包括：基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合来表征各个区域和对应的判别门限；其中，表示所述区域，表示区域的停留时间判别门限，N表示所述聚类簇的数量；当所述社会行为体的轨迹与区域交叉时，判断所述社会行为体在所述区域的停留时间是否大于所述停留时间判别门限；若是，则所述区域内所述社会行为体的所有坐标位置点均为所述停留点；其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。