| 失效链接处理 |
|
基于数据挖掘的移动用户出行轨迹预测 PDF 下载
本站整理下载：
相关截图：
主要内容：
1 引言
移动用户行为具有很强的时空规律性，用户群体
间的移动行为具有很高的相似性[1]。基于地理位置的服
务与推荐已经成为当前的研究的热点，如：乔岩磊等
扫描二维码
与作者交流
[Abstract]
[Key words]
人[2]利用高斯混合模型拟合连续时间下地点之间的转移
概率推测用户的位置，但没有对不同群体用户的语义
位置特点进行区别性对待，不能有效反应不同群体用
户的出行特征。廖文芳[3]根据移动用户的出行位置信
息进行社交平台的设计，但并没有考虑到利用用户在
不同位置的逗留时长来反映用户在特定位置的停留偏
好。姚迪等人[4]将用户时空轨迹数据转换成特定的语义
研究与探讨
2019年第5期 93
信息，以此推测用户的偏好和需求，但没有区分不同
群体用户的停留时长和偏好。邱运芬等人[5]提出一种语
义和概率的人群分类方法，根据语义位置分配情况获
取用户对语义空间的访问向量，采用聚类的方法对用
户进行人群的划分，结果表明，同类用户在语义位置
空间的访问概率向量相似。研究者[3-8]从不同的角度研
究地理位置的服务和推荐，包括用户的位置推测、用
户出行群体特点，但并没有综合采用不同语义位置的
停留偏好和停留时长来反映不同群体的出行偏好，同
时，研究者并没有根据个体用户的实时出行轨迹来预
测个体的未来轨迹。
因此，本文在借鉴相关研究的基础上，针对传统
用户预测没有考虑到用户群体分类的问题，提出一种
基于移动轨迹的用户位置预测方法：在用户轨迹语义
化的基础上，结合语义位置的概率向量采用聚类的方
法对人群进行划分；在此基础上，采用关联规则挖掘
不同群体的频繁模式；最后，结合实时出行数据动态
更新贝叶斯网络实现移动用户出行轨迹的实时预测。
2 出行轨迹的相关研究
2.1 移动用户出行的时空序列模型
移动用户出行的时空序列模型，是基于移动用户
的时空数据进行数据挖掘的模型，通过对用户移动周
期规律和相关参数的估计，能够获得移动用户在不同
时间下位置概率分布的信息[6-7]，以此挖掘用户的行为
模式与时间的关系。
假设移动用户的出行时空序列为：Tri＝｛（L1,
t1）, （L2, t2）, …, （Li, ti）, …, （Ln, tn）｝，其中，
（Li, ti）表示用户在某个时间内出现在基站位置，那
么，用户在不同时间的位置概率分布可表示为：
P=(Xt
=l|t∈[ti ,ti+△t]) (1)
公式(1)表示，在特定的时间段内，用户在不同位
置下的分布概率，相比于位置数据，移动用户出行的时
空序列模型更能体现用户的出行偏好以及出行规律。
2.2 移动用户语义位置模型
在获取移动用户出行的时空序列后，能够根据
用户在某一个位置的逗留时间，获取用户停留点。
但是仅仅以地理轨迹的停留点来分析用户的出行规
律似乎意义不大，因此，不少学者采用语义轨迹来
反映用户的活动行为模式，通过语义位置对地理位
置进行功能性的描述，推测用户在不同时间的不同
行为特征以及其周边的环境信息，这些信息能够有
效表征用户的语义位置。移动用户停留点的语义位
置轨迹可用图1表示：
图1 某用户停留点语义位置轨迹表示
2.3 移动模式挖掘模型
移动用户的行为具有群体的特征，移动用户出行
的频繁模式，在一定程度上反映了移动用户出行行为
具有一定的相似性[8]。在获取移动用户一段时间的语义
位置轨迹的基础上，通过关联规则的相关算法就能挖
掘用户在一段时间的出行规律。某一个用户在一段时
间的语义位置轨迹如表1、表2所示。
从表1、表2可知，<家，公司，餐馆，公园>是一
种用户的语义位置轨迹模式，可以预测到用户在一周
内去家、公司、餐馆、公园的频率为1/7，也就是一周
中用户有一天会先去公司、然后去餐馆、公园。
2.4 轨迹预测模型
移动用户的出行位置是不断变换的，如果将用
户在移动过程中经过的语义位置轨迹视为一个个的状
态，那么可以通过状态更新的方式对用户的位置进行
预测。语义位置轨迹是从地理位置提取高层的信息，
使用语义位置轨迹能够更好预测用户的轨迹。而相似
用户的语义位置轨迹，更能够解决位置预测中“新地
点”的问题，当一个用户达到一个新的地点，无法通
过自己的历史轨迹数据进行预测时，此时可以使用与
之相似的用户轨迹数据进行预测。
|
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
