軌跡預(yù)測(cè)與意圖挖掘問題研究.pdf

1、隨著定位設(shè)備和視頻捕捉設(shè)備的廣泛應(yīng)用，時(shí)空軌跡數(shù)據(jù)的獲得變得越來(lái)越便捷。例如，人們?cè)谏缃痪W(wǎng)站（如Foursquare）上和朋友們分享自己的位置，這就產(chǎn)生了大量的簽到數(shù)據(jù)。又如，車輛會(huì)被城市道路上的交通監(jiān)控?cái)z像機(jī)所捕捉，隨后利用光學(xué)字符識(shí)別技術(shù)被處理成結(jié)構(gòu)化的記錄。簽到數(shù)據(jù)和車輛通行數(shù)據(jù)都是典型的時(shí)空軌跡數(shù)據(jù)，他們都包含對(duì)象、位置以及時(shí)間三種屬性。這些數(shù)據(jù)蘊(yùn)含著巨大的價(jià)值，在城市計(jì)算、路徑規(guī)劃、位置預(yù)測(cè)等領(lǐng)域出現(xiàn)了大量的成果。
　　

2、本文針對(duì)時(shí)空軌跡挖掘領(lǐng)域的相關(guān)問題進(jìn)行了深入的研究。首先，基于用戶的歷史軌跡研究下一個(gè)位置預(yù)測(cè)問題。在實(shí)際應(yīng)用中，提前知曉用戶的下一個(gè)位置，可以給用戶推薦更合理的駕駛路線以及給用戶推薦將要到達(dá)位置的廣告信息。為了進(jìn)行下一個(gè)位置預(yù)測(cè)，首先提出了全局馬爾科夫模型(GMM)和個(gè)人馬爾科夫模型(PMM)。GMM利用用戶所有的軌跡發(fā)現(xiàn)集體移動(dòng)模式; PMM利用每個(gè)用戶自己的軌跡發(fā)現(xiàn)個(gè)人移動(dòng)模式。這兩個(gè)模型通過(guò)線性回歸組合起來(lái)產(chǎn)生最后的預(yù)測(cè)器(NL

3、PMM)。此外，由于時(shí)間因素對(duì)用戶的移動(dòng)模式有影響，我們尋求在模型中加入時(shí)間因素以提高預(yù)測(cè)的準(zhǔn)確性。我們提出了三種方法來(lái)聚類不同時(shí)間段中的軌跡，并訓(xùn)練了更加細(xì)化的模型來(lái)預(yù)測(cè)下一個(gè)位置。
　　進(jìn)一步地，本文提出了融合用戶相似度和軌跡相似度的馬爾科夫模型(objectTra-MM)來(lái)預(yù)測(cè)下一個(gè)位置。objectTra-MM由兩個(gè)模型組成:基于用戶相似度聚類的馬爾科夫模型（object-MM）和基于軌跡相似度聚類的馬爾科夫模型(tra-

4、MM)。object-MM分析了對(duì)象的空間位置特性，并且將具有相似特性的對(duì)象進(jìn)行聚類。對(duì)于每個(gè)類，object-MM利用類中對(duì)象的軌跡訓(xùn)練變階馬爾科夫模型。tra-MM基于給定的相似度測(cè)度對(duì)軌跡進(jìn)行聚類，然后利用每個(gè)類中的軌跡訓(xùn)練變階馬爾科夫模型。
　　最后，本文探究了軌跡背后隱含的意圖來(lái)更好地理解人們的移動(dòng)模式。為此，我們提出了一種新的概率模型-(Intention of Movement: IoM)來(lái)建模軌跡的生成過(guò)程。IoM