基于KMeans算法位置预测模型.pdfVIP

基于Kmeans算法的位置预测模型

111,1,2,312

,,,网络与，网络技术，邮电大学，通信网络中信息

传输与技术重点3移动国家工程（编号：[2013]2685）

huyan@bupt.edu.cn

—位置预测对于移动服务至关重要，因为各种应用程序在[6],中，使用贝叶斯算法来预测位置，并考虑了多个

都紧密地与用户的位置结合在一起。然而，位置预测是一项因素以提高预测准确率。考虑了的因素，如用户移

具有性的工作，因为位置捕获通常是不连续的，且用户

动的空间、时间和相似性特征，以构建一组用户特征。

的行为具有不确定性和不规律性。为了提置预测的准确

[5]

在其他中，计算用户的模式以预测位置。在

率，本文提出了一种基于kmeans算法的位置预测模型。由

于移动服务通常以区域为导向，我们首先使用kmeans算法[7][8]中，使用了随机和算法。考虑了访

对位置进行聚类，定义多个区域。然后将每天的时间划问的小区路径和在每个小区停留的时间间隔。

分为若干段，并计算每段时间内的最大概率位置。一个用户

在一天中的轨迹由位置和时间组成。根据一天中的时间段，我们的位置预测基于位置，特别是基于校园用

我们可以预测用户在未来的某个时间点的位置。最后，我们户的位置。校园内的用户行为更为规律，因此基于

使用校园内AP捕获的位置数据进行了实验。将基于位置进行预测更为合适。由于我们通常关心的是用户所

kmeans的预测结果与未使用该模型的预测结果进行了比较。在的大致区域或范围，而不仅仅是精确位置，我们的预

实验结果显示，我们的模型的准确率高于未使用新模型的预测主要针对区域。因此，在本文中，首先使用

测。因此，可以为用户的位置服务。—位置

kmeans算法对位置进行聚类。每个聚类都是用户

预测；kmeans；聚类

曾经过的一个区域。我们的预测基于这些区域

以提高预测的准确性。这对于移动服务也具有重要价值。

I.引言然后每天的时间划分为若干段，并计算每个时间

段内最可能的位置。根据时间和代表性位置，形成用户

位置预测对于移动服务至关重要，因为各种应用程

一天内的轨迹。我们可以通过比较轨迹中的时间和

[1]

序都紧密依赖于终端的位置。用户的位置可以通过多

位置来预测用户的位置。

种方式捕获，例如GPS、Wi‑Fi、AP甚至卡读器。所有

这些位置信息和时间共同构成了用户的轨迹。然而，本文的主要贡献总结如下：

位置预测是一项具有性的工作。首先，位置捕获不•我们提出了一种基于kmeans算法的位置预测模型。

是连续的，存在盲点。因此，一些重要的位置源数据会

丢失，这使得预测更