移動對象位置預(yù)測關(guān)鍵技術(shù)的研究.pdf

1、移動對象位置預(yù)測已經(jīng)成為移動對象位置管理中極其重要的研究課題。針對預(yù)測的許多方法被不斷的提出并改進。近幾年,基于頻繁軌跡的預(yù)測方法開始發(fā)展起來,這種方法通過挖掘移動對象歷史運動軌跡中的規(guī)律,并匹配當(dāng)前運動趨勢,來達到預(yù)測的目的。
　　 基于頻繁軌跡的預(yù)測方法是由數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則的挖掘技術(shù)演變拓展而來,由于該預(yù)測方法提出較新,所以尚存在很多不足。論文主要工作如下:
　　 (1)針對現(xiàn)有基于頻繁軌跡預(yù)測方法對數(shù)據(jù)庫掃描次數(shù)

2、過多的缺點,提出了一種基于軌跡標(biāo)識列表的頻繁軌跡挖掘算法TidTraj,對移動對象數(shù)據(jù)庫僅進行一次掃描便可挖掘出頻繁軌跡集合,并在此基礎(chǔ)上出給出相應(yīng)的預(yù)測方法,從而在時間上提高了預(yù)測效率。在交通軌跡數(shù)據(jù)集上實驗驗證了算法的高效性。
　　 (2)針對基于AprioriTraj的預(yù)測方法沒有針對數(shù)據(jù)庫增量更新后預(yù)測的相應(yīng)策略,本文提出一種基于數(shù)據(jù)庫增量更新的頻繁軌跡挖掘算法TidTrajUP,用于預(yù)測過程。TidTrajUP算法只對

3、部分頻繁軌跡進行挖掘,充分利用了原有的頻繁軌跡集,避免了冗余操作,提高了挖掘效率,最后通過對比實驗驗證算法的有效性。
　　 (3)為了提高預(yù)測結(jié)果的精確度,本文引入了時效因子的概念,考慮了時間推移對運動規(guī)則的影響。時效因子作為描述時間對運動規(guī)則效用的影響被加入到頻繁軌跡支持度的計算中,通過加入該參數(shù),支持度度量就能充分反映時效性對預(yù)測精度的影響。本文基于時效因子和軌跡標(biāo)識列表,提出了基于時效的頻繁軌跡挖掘算法AgTraj,以此作