基于Markov模型的移动对象位置预测算法研究

摘要

随着移动设备的普及和定位技术的发展，移动对象所产生的轨迹数据规模呈爆炸式增长，如何从海量轨迹数据集中挖掘出有意义的信息越来越受到国内外学者的关注。轨迹预测技术是轨迹数据挖掘的一个重要分支，通过轨迹预测，能够给用户提供更优质的服务体验，改变用户的生活方式等。
　　首先，通过将轨迹相似度算法引入到高阶Markov预测模型中，给出了基于高阶Markov模型与轨迹相似度的位置预测算法。对于普通的高阶Markov预测模型而言，在有限的训练数据集的情况下具有很高的预测稀疏性，而且预测结果受模型的阶数影响较大，预测模型的预测稳定性较差。该方法通过在轨迹匹配过程中引入轨迹相似度算法，并以高阶Markov模型预测的结果集作为预测候选集，大大减少了预测稀疏率，增强了预测的稳定性。
　　其次，通过将关联规则引入到Markov预测模型中，给出了基于定阶Markov模型与关联规则的位置预测算法。在研究高阶Markov预测模型的过程中发现其状态空间膨胀的问题，以及高阶Markov模型的阶数难以确定，并且在实验中发现二阶Markov模型具有不错的预测精度。虽然简单Markov模型具有较小的状态空间，但由于对历史信息考虑不足而存在预测精度不高的问题。该方法通过在简单Markov预测模型的基础上引入关联规则修正预测结果，不仅解决了状态空间膨胀的问题，还在保持较低状态空间复杂度的同时，提高了预测精度。
　　最后，在理论研究的基础上，设计并实现移动对象轨迹预测分析系统。该系统针对GeoLife轨迹数据集中不同的轨迹数据，能够提供数据处理，轨迹聚类以及多种轨迹预测方法，并能够对不同算法的预测结果进行对比分析。同时该系统能够提供良好的可视化接口，方便用户改变实验中的参数以及更直观的观察聚类过程和预测结果。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

1绪论

1.1研究背景与意义(Research Background and Significance)

1.2研究现状(Research Overview)

1.3研究内容(Research Contents)

1.4本文组织结构(Structure of the Dissertation)

2 相关理论基础2 RelatedTheory

2.1 引言 (Introduction)

2.2机器学习与轨迹预测（Machine Learning and Trajectory Prediction）

2.3网格聚类（Grid Clustering）

2.4Markov预测模型（Markov Prediction Model）

2.5关联规则（Association Rules）

2.6 小结 (Summary)

3 基于高阶Markov模型与轨迹相似度的位置预测算法

3.1 引言 (Introduction)

3.2相关理论（Related Theory）

3.3 基于高阶 Markov 模型与轨迹相似度的位置预测算法（Location Prediction Algorithm based onHigh OrderMarkov Model and Trajectory Similarity）

3.4实验及分析（Experiments and Analysis）

3.5 小结 (Summary)

4 基于定阶Markov模型与关联规则的位置预测算法4 Location Prediction Algorithm based on Fixed Order Markov Model and Association Rules

4.1 引言 (Introduction)

4.2相关理论（Related Theory）

4.3 基于定阶 Markov 模型与关联规则的位置预测算法（Location Prediction Algorithm based on Fixed Order Markov Model and Association Rules）

4.4实验及分析（Experiments and Analysis）

4.5 小结 (Summary)

5 移动对象位置预测分析原型系统的设计与实现

5.1系统架构概述（Overview of System Framework）

5.2系统的实现（Realization of System）

5.3系统的运行（Operation of System）

5.4 小结（Summary）

6 总结与展望

6.1 主要研究成果（Results）

6.2研究展望（Future Work）

参考文献

作者简历

学位论文数据集