基于Markov模型与轨迹相似度移动对象位置预测算法.docVIP

基于Markov模型与轨迹相似度移动对象位置预测算法 　　摘 要： 　　针对低阶Markov模型预测精度较差，以及多阶Markov模型预测稀疏率高的问题，提出一种基于Markov模型与轨迹相似度（MMTS）的移动对象位置预测算法。该方法借鉴了Markov模型思想对移动对象的历史轨迹进行建模，并将轨迹相似度作为位置预测的重要因素，以Markov预测模型的预测结果集作为预测候选集，结合相似度因素得出最终预测结果。实验结果表明，与k阶Markov模型相比，该方法的预测性能不会随着训练样本大小及阶数k的变化受到很大的影响，并且在大幅降低k阶Markov模型预测稀疏率的同时将预测精度平均提高了8%以上。所提方法不仅解决了k阶Markov模型的预测稀疏率高及预测精度不足的问题；同时提高了预测的稳定性。 　　关键词： 　　轨迹相似度；位置预测；移动对象；马尔可夫模型；稀疏性 　　0 引言 　　随着移动便携设备的普及和定位技术的发展，基于位置的服务得到了广泛的应用。当前基于位置的服务主要集中于定位查询及位置共享，这些应用主要关注于给用户提供有关当前位置的服务。为了使服务更具前瞻性，移动对象位置预测技术越来越受到国内外研究学者的关注[1]。移动对象位置预测具有高度的研究价值和广阔的应用领域，如果能够实时动态地预测出用户将来的位置，可以提供更加灵活的预报服务，例如：推荐服务[2]、提醒服务、广告推送、智能化交通服务等。 　　一般来说，当前存在的移动对象位置预测方法可以分为基于欧氏空间和基于受限路网两类位置预测方法。由于在实际情形中，基本所有的移动对象的运动都受限于实际路网条件，所以对于具有空间运动随意性的基于欧氏空间的位置预测方法在实际应用中具有很大的局限性。而在基于受限路网的位置预测研究中，应用较广泛的预测方法又可分为基于序列分析模式的预测方法[3-5]和基于马尔可夫模型的统计模型预测方法[6-10]。文献[6]中使用混合Markov模型用于移动路径的预测，减少了2阶Markov预测模型的空间代价，但其并没有有效地提高预测精度，而且对历史信息考虑不足；文献[7-8]使用简单的Markov模型来进行位置的预测，该模型仅考虑当前时刻位置对将来位置的影响，导致预测精度过低；文献[9]中提出了一种可变阶的局部匹配的Markov预测模型，减小了预测的稀疏率，但在其预测过程会存在大量退化为简单的Markov模型的情况；此外，SPM（Sampled Pattern Matching）算法[10]、PPM（Prediction by Partial Matching）算法[11]等，也都是在Markov模型的基础上进行轨迹预测的研究。 　　上述算法都是基于Markov展开的轨迹预测，并且在提升预测精度或优化时间空间复杂度方面有了一些改进，但是，还存在一些问题，如：由于历史信息考虑不足而导致简单的Markov模型存在预测精度不足的情况，虽然高阶Markov模型具有较好的预测精度，但另一方面，高阶Markov模型的阶数k值的选取是一个重要的问题，k越大，预测准确性也越高，但随之而来的是状态空间的膨胀，而且当k值越大时，预测模型的状态数量也越大，有限的训练集并不能保证能覆盖所有的状态，从而导致模型的覆盖率减小，也就是说模型具有很大的稀疏率。 　　轨迹相似度是在轨迹模式匹配过程中根据轨迹对应位置匹配原则，求出与历史轨迹模型的相似度，获取满足相似度阈值的轨迹模式。由于在传统Markov预测模型中，轨迹模式的匹配采用完全匹配原则，仅选择历史信息完全相同的轨迹模型作为预测因素。然而在实际预测过程中，考虑越多的历史信息，其完全匹配率就越低，而历史信息越少又会引起预测精度的降低。通过用相似度匹配原则取代传统Markov预测模型中的完全匹配原则，既解决了历史信息考虑不足的问题，还解决了稀疏性问题，从而提高了预测精度。 　　本文针对以上马尔可夫模型预测方法的不足，提出了一种基于Markov模型与轨迹相似度（Markov Model and Trajectory Similarity，MMTS）的移动对象位置预测算法。该方法通过在传统高阶Markov预测模型的基础上引入轨迹相似度因素，在充分考虑到历史位置信息对预测结果的影响的同时，提高了轨迹模式匹配率，以传统高阶Markov预测结果集作为候选集，结合轨迹相似度对预测结果进行修正。实验表明，该算法解决了传统高阶Markov模型的预测稀疏性及预测不稳定性，显著地提高了预测精度。 　　1 数据模型及相关说明 　　1.1 轨迹表示 　　由于全球定位系统（Global Positioning System，GPS）采集到的用户位置信息过于琐碎和冗余，无法直接有效地从中抽取用户的移动规律，所以必须首先对采集到的原始位