本發(fā)明屬于基于用戶(hù)軌跡數(shù)據(jù)的位置預(yù)測(cè)技術(shù)領(lǐng)域，更為具體地講，涉及一種融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法。

背景技術(shù)：

隨著衛(wèi)星、無(wú)線網(wǎng)絡(luò)以及定位設(shè)備的發(fā)展，大量用戶(hù)軌跡數(shù)據(jù)呈急速增長(zhǎng)的趨勢(shì)，如車(chē)輛軌跡數(shù)據(jù)、人員移動(dòng)軌跡數(shù)據(jù)等。通過(guò)用戶(hù)軌跡數(shù)據(jù)挖掘發(fā)現(xiàn)隱含的知識(shí)，研究人類(lèi)行為模式并做出預(yù)測(cè)，可以幫助政府和用戶(hù)做出更好的決策，甚至可以成為解決城市交通、城市環(huán)境、突發(fā)應(yīng)急事件等重大社會(huì)問(wèn)題的有效手段。例如，在交通方面，通過(guò)分析車(chē)輛的軌跡數(shù)據(jù)可以得知道路的擁堵情況，從而可以根據(jù)推測(cè)的擁堵情況來(lái)向車(chē)輛提示路況堵塞情況和最佳導(dǎo)航，方便城市交通的協(xié)調(diào)；另外，通過(guò)分析用戶(hù)軌跡數(shù)據(jù)，還可以挖掘出人們之間的社交關(guān)系，從而為人們提供旅游、好友推薦等服務(wù)；城市規(guī)劃方面，通過(guò)分析市民的出行習(xí)慣，分析熱點(diǎn)區(qū)域和出行習(xí)慣，更好的建立城市區(qū)域的功能劃分與基礎(chǔ)交通設(shè)施的建設(shè)。因此，近年來(lái)用戶(hù)軌跡數(shù)據(jù)挖掘越來(lái)越受到各界的關(guān)注，包括計(jì)算機(jī)科學(xué)、社會(huì)學(xué)和地理學(xué)等在內(nèi)的各個(gè)領(lǐng)域都將其列為重要研究課題。而移動(dòng)對(duì)象(車(chē)輛、人員)的位置預(yù)測(cè)技術(shù)可以向用戶(hù)提供更好的基于位置的服務(wù)，有助于分析和理解用戶(hù)軌跡數(shù)據(jù)，具有深遠(yuǎn)的意義和巨大的發(fā)展空間?；谟脩?hù)軌跡數(shù)據(jù)的位置預(yù)測(cè)技術(shù)，在城市規(guī)劃、交通管控、用戶(hù)位置預(yù)測(cè)、用戶(hù)位置推薦、社會(huì)人類(lèi)學(xué)研究等政府和商業(yè)應(yīng)用中有著不可估量的作用。

傳統(tǒng)的位置預(yù)測(cè)技術(shù)，分為對(duì)用戶(hù)個(gè)人位置的預(yù)測(cè)和對(duì)群體位置分布的預(yù)測(cè)兩類(lèi)?；趥€(gè)人歷史用戶(hù)軌跡數(shù)據(jù)，重點(diǎn)關(guān)注個(gè)人歷史用戶(hù)軌跡數(shù)據(jù)中所具有的周期性模式或地理分布模式，如挖掘個(gè)人移動(dòng)規(guī)律等，但該類(lèi)方法不僅忽略了用戶(hù)作為具有社會(huì)屬性特征的個(gè)體這一重要特點(diǎn)，而且在用戶(hù)個(gè)人移動(dòng)模式發(fā)現(xiàn)、時(shí)間與空間緊耦合等問(wèn)題上存在缺陷。對(duì)群體位置分布的預(yù)測(cè)大多集中于分析一個(gè)地區(qū)范圍內(nèi)的車(chē)流量或用戶(hù)密度較高的空間分布特點(diǎn)，忽略了群體的基礎(chǔ)是個(gè)體，群體是由個(gè)體匯聚而成，這一基礎(chǔ)社會(huì)學(xué)理論。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法，以提高位置預(yù)測(cè)抗噪聲能力，更加符合社會(huì)學(xué)規(guī)律即位置預(yù)測(cè)更加魯棒，準(zhǔn)確度更高。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法，其特征在于，包括以下步驟：

(1)、用戶(hù)移動(dòng)數(shù)據(jù)收集與整理清洗

收集用戶(hù)移動(dòng)數(shù)據(jù)，根據(jù)分析需求對(duì)用戶(hù)移動(dòng)數(shù)據(jù)進(jìn)行整理清洗，采用相關(guān)的關(guān)鍵地點(diǎn)信息提取技術(shù)(即POI，Point of Interest發(fā)現(xiàn)及提取)對(duì)隱藏在用戶(hù)移動(dòng)數(shù)據(jù)中重要(關(guān)鍵)地點(diǎn)的時(shí)間位置信息進(jìn)行提取，得到用戶(hù)軌跡數(shù)據(jù)。

(2)、K近鄰發(fā)現(xiàn)

將每個(gè)用戶(hù)的軌跡數(shù)據(jù)映射為一個(gè)帶時(shí)空特征的網(wǎng)絡(luò)即用戶(hù)軌跡網(wǎng)絡(luò)，對(duì)需要進(jìn)行位置預(yù)測(cè)的用戶(hù)即預(yù)測(cè)用戶(hù)，將其用戶(hù)軌跡網(wǎng)絡(luò)與其他用戶(hù)軌跡網(wǎng)絡(luò)進(jìn)行相似度度量，找到相似度最大的K個(gè)用戶(hù)，這K個(gè)用戶(hù)為預(yù)測(cè)用戶(hù)的K個(gè)近鄰；

對(duì)K個(gè)近鄰的相似度進(jìn)行歸一化處理，并作為K個(gè)近鄰對(duì)預(yù)測(cè)用戶(hù)的影響權(quán)值：

其中，S_k為K個(gè)近鄰中第k個(gè)的相似度，w_k為對(duì)應(yīng)的影響權(quán)值；

(3)、位置移動(dòng)模式確定

對(duì)于預(yù)測(cè)用戶(hù)，在時(shí)間段T內(nèi)，從位置A到位置B后所有可能到達(dá)的位置為C_i，則三個(gè)連續(xù)位置即位置A、位置B以及C_i構(gòu)成一個(gè)位置移動(dòng)模式<A-B-C_i,T>；其中，i為可能到達(dá)位置的序號(hào)，i＝1,2,…,I，I為所有可能到達(dá)位置的數(shù)量；

(4)、用戶(hù)位置預(yù)測(cè)

在預(yù)測(cè)用戶(hù)的K個(gè)近鄰中，對(duì)于每個(gè)近鄰，在其歷史用戶(hù)軌跡數(shù)據(jù)找到位置移動(dòng)模式<A-B-C_i,T>，并計(jì)算該位置移動(dòng)模式發(fā)生的可能性NPr_k<A-B-C_i,T>，則預(yù)測(cè)用戶(hù)到達(dá)第i個(gè)位置的可能性為：

其中，Pr(＜A-B-C_i,T＞)為預(yù)測(cè)用戶(hù)在時(shí)間段T內(nèi)，從位置A到位置B后到達(dá)的位置C_i的可能性，UPr(＜A-B-C_i,T＞)為預(yù)測(cè)用戶(hù)歷史用戶(hù)軌跡數(shù)據(jù)中位置移動(dòng)模式<A-B-C_i,T>發(fā)生的可能性。

本發(fā)明的目的是這樣實(shí)現(xiàn)的。

本發(fā)明融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法，首先提取用戶(hù)移動(dòng)數(shù)據(jù)中重要(關(guān)鍵)地點(diǎn)的時(shí)間位置信息進(jìn)行提取，得到用戶(hù)軌跡數(shù)據(jù)，然后通過(guò)映射，找出圍繞預(yù)測(cè)用戶(hù)且具有相似時(shí)空分布的K個(gè)用戶(hù)，再通過(guò)挖掘歷史用戶(hù)軌跡數(shù)據(jù)中形如<A-B-C,T>(其中A,B,C代表提取出的位置，且A,B,C具有先后順序性，T代表該A-B-C位置模式所具備的時(shí)間特征即時(shí)間段)的位置移動(dòng)模式。在K個(gè)近鄰中，搜索具有相同位置移動(dòng)模式，將預(yù)測(cè)用戶(hù)與近鄰的相似度作為權(quán)重，與預(yù)測(cè)用戶(hù)(個(gè)體)進(jìn)行融合?？紤]了K個(gè)近鄰用戶(hù)的相似度并作為權(quán)重對(duì)預(yù)測(cè)用戶(hù)本身的影響，同時(shí)搜索相關(guān)的移動(dòng)規(guī)律即位置移動(dòng)模式進(jìn)行位置預(yù)測(cè)，這樣的技術(shù)思路相較與傳統(tǒng)位置預(yù)測(cè)方法更加的魯棒，抗噪聲能力更強(qiáng)，也更加符合社會(huì)學(xué)規(guī)律，準(zhǔn)確度更高。

附圖說(shuō)明

圖1是本發(fā)明融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法的一種具體實(shí)施方式流程圖；

圖2是圖1所示K近鄰發(fā)現(xiàn)中用戶(hù)軌跡數(shù)據(jù)映射的用戶(hù)軌跡網(wǎng)絡(luò)示意圖；

圖3是圖1所示K近鄰發(fā)現(xiàn)中位置時(shí)間分布示意圖，其中(a)為到達(dá)地點(diǎn)1時(shí)間分布，(b)為離開(kāi)地點(diǎn)1時(shí)間分布；

圖4是本發(fā)明中K近鄰搜索過(guò)程中所采用的近鄰權(quán)重影響一具體實(shí)例示意圖；

圖5是本發(fā)明中對(duì)于用戶(hù)的位置移動(dòng)模式的挖掘，通過(guò)挖掘分析用戶(hù)歷史的移動(dòng)數(shù)據(jù)提取形如<A-B-C_i,T>位置移動(dòng)模式；

圖6是圖1中基于個(gè)體規(guī)律和近鄰規(guī)律的位置預(yù)測(cè)示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。

圖1是本發(fā)明融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法的一種具體實(shí)施方式流程圖。

在本實(shí)施例中，如圖1所示，本發(fā)明融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法包括以下步驟：

S1：用戶(hù)移動(dòng)數(shù)據(jù)收集與整理清洗

用戶(hù)移動(dòng)數(shù)據(jù)，如：用戶(hù)手機(jī)定位服務(wù)GPS數(shù)據(jù)、車(chē)輛定位儀的GPS數(shù)據(jù)、航空公司航班飛行數(shù)據(jù)、火車(chē)開(kāi)行數(shù)據(jù)等。

GPS數(shù)據(jù)包括每個(gè)時(shí)間采樣刻度，用戶(hù)所在的經(jīng)緯度信息。航空公司航班飛行數(shù)據(jù)即為每個(gè)用戶(hù)的行程單數(shù)據(jù)，火車(chē)開(kāi)行數(shù)據(jù)為用戶(hù)乘坐的火車(chē)出行的數(shù)據(jù)。

在GPS數(shù)據(jù)中，由于GPS數(shù)據(jù)中冗余信息過(guò)多，需要提取具有時(shí)空分布特征的重要(關(guān)鍵)地點(diǎn)的時(shí)間位置信息，在此我們采用傳統(tǒng)的POI(Point of Interest)提取方法，對(duì)隱藏在GPS數(shù)據(jù)中的重要(關(guān)鍵)地點(diǎn)的位置信息進(jìn)行提取，并提取對(duì)應(yīng)位置的時(shí)間分布信息，得到用戶(hù)軌跡數(shù)據(jù)。

在具體實(shí)施過(guò)程中，也可以采用其他類(lèi)似提取方法或是參考專(zhuān)家知識(shí)對(duì)位置數(shù)據(jù)中的重要地點(diǎn)的時(shí)間位置信息進(jìn)行提取。

S2：K近鄰發(fā)現(xiàn)

為了更好地反映預(yù)測(cè)用戶(hù)與其他用戶(hù)的相關(guān)性，在本實(shí)施例中，提出了一種新的用戶(hù)軌跡距離度量函數(shù)，可以更好地度量出預(yù)測(cè)用戶(hù)與其他用戶(hù)軌跡的相似度。針對(duì)每個(gè)用戶(hù)的軌跡數(shù)據(jù)，將其映射為一個(gè)帶時(shí)空特征的網(wǎng)絡(luò)即用戶(hù)軌跡網(wǎng)絡(luò)，將位置變?yōu)榫W(wǎng)絡(luò)中的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)存儲(chǔ)關(guān)于這個(gè)位置的兩個(gè)信息：1.這個(gè)位置在軌跡中出現(xiàn)的次數(shù)(作為節(jié)點(diǎn)的權(quán)重)；2.以及進(jìn)入和離開(kāi)這個(gè)地點(diǎn)的時(shí)間分布。這兩者分別反映了該位置的空間信息和時(shí)間信息。用戶(hù)軌跡的相似度的問(wèn)題就轉(zhuǎn)化為了用戶(hù)軌跡網(wǎng)絡(luò)的相似度。在本實(shí)施例中，采用巴氏距離來(lái)進(jìn)行用戶(hù)軌跡網(wǎng)絡(luò)的相似度度量，巴氏距離是一種被廣泛使用的度量離散變量或者連續(xù)變量概率分布之間的距離的指標(biāo)。

在本實(shí)施例中，具體相似度度量方法如下：

為了能夠更加清晰的描述本發(fā)明中的用戶(hù)軌跡網(wǎng)絡(luò)相似度度量方法給出如下幾個(gè)定義:

定義1.用戶(hù)軌跡。在本實(shí)施例中，用Γ表示所有用戶(hù)軌跡構(gòu)成的集合，用L表示一條用戶(hù)軌跡數(shù)據(jù)，Γ中第j個(gè)用戶(hù)的軌跡數(shù)據(jù)用L^(j)表示。用戶(hù)軌跡數(shù)據(jù)L^(j)由一系列包含時(shí)間位置信息的點(diǎn)構(gòu)成，可以是多天，甚至一個(gè)月的。

在本實(shí)施例中，用戶(hù)軌跡數(shù)據(jù)L^(j)＝{<地點(diǎn)3，6:30,到達(dá)>，<地點(diǎn)3，7:00，離開(kāi)>，<地點(diǎn)2，7:10,到達(dá)>，<地點(diǎn)2，7:30,離開(kāi)>，<地點(diǎn)3，7:45，到達(dá)>，<地點(diǎn)3，8:05，離開(kāi)>，<地點(diǎn)1，8:15，到達(dá)>，<地點(diǎn)1，8:35，離開(kāi)>,…,<地點(diǎn)1，10:30，到達(dá)>，<地點(diǎn)1，11:00，離開(kāi)>，<地點(diǎn)5，11:30，到達(dá)>，<地點(diǎn)5，12:00，離開(kāi)>，<地點(diǎn)4，12:30，到達(dá)>,…}。相應(yīng)映射的用戶(hù)軌跡網(wǎng)絡(luò)如圖2所示。

定義2.用戶(hù)軌跡網(wǎng)絡(luò)。對(duì)每一條用戶(hù)軌跡，我們可以將其軌跡數(shù)據(jù)映射為一個(gè)用戶(hù)軌跡網(wǎng)絡(luò)N，N＝(V,PV)，其中V是節(jié)點(diǎn)構(gòu)成的集合，對(duì)于集合V中的任意一個(gè)節(jié)點(diǎn)v代表用戶(hù)軌跡中的一個(gè)位置；每個(gè)節(jié)點(diǎn)包含兩個(gè)屬性：

(1)、進(jìn)入和離開(kāi)節(jié)點(diǎn)(位置)分別的權(quán)值。比如對(duì)于第j個(gè)用戶(hù)的軌跡網(wǎng)絡(luò)N^(j)中的第q個(gè)節(jié)點(diǎn)我們根據(jù)在軌跡中到達(dá)該位置和離開(kāi)該位置次數(shù)賦予其權(quán)值和用戶(hù)軌跡數(shù)據(jù)L^(j)出現(xiàn)位置的集合記為看作(離散)隨機(jī)變量中到達(dá)第q個(gè)位置的概率作為進(jìn)入q節(jié)點(diǎn)的權(quán)值，表示第j個(gè)用戶(hù)軌跡數(shù)據(jù)所有位置到達(dá)次數(shù)之和；中離開(kāi)第q個(gè)位置的概率作為離開(kāi)該位置的權(quán)值，表示第j個(gè)用戶(hù)軌跡數(shù)據(jù)所有位置離開(kāi)次數(shù)之和。

(2)、進(jìn)入和離開(kāi)節(jié)點(diǎn)(位置)的時(shí)間分布，如圖2中所示，節(jié)點(diǎn)地點(diǎn)1的時(shí)間分布，分為兩部分：一是進(jìn)入該節(jié)點(diǎn)的時(shí)間分布，二是離開(kāi)該節(jié)點(diǎn)的時(shí)間分布。

第j個(gè)用戶(hù)的軌跡網(wǎng)絡(luò)N^(j)中的第q個(gè)節(jié)點(diǎn)的到達(dá)時(shí)間也可以看作隨機(jī)變量，用表示，簡(jiǎn)記為離開(kāi)時(shí)間用表示，簡(jiǎn)記為將所有節(jié)點(diǎn)的時(shí)間和離散化后，劃分為H個(gè)位置時(shí)間段,出現(xiàn)在第h位置時(shí)間段內(nèi)的次數(shù)為則出現(xiàn)在第h位置時(shí)間段內(nèi)的概率其中，出現(xiàn)在各個(gè)即H個(gè)時(shí)間段內(nèi)的次數(shù)為次數(shù)之和，也就是到達(dá)第q個(gè)節(jié)點(diǎn)的次數(shù)。

同理，出現(xiàn)在第h位置時(shí)間段內(nèi)的次數(shù)為則現(xiàn)在第h位置時(shí)間段內(nèi)的概率

在本實(shí)施例中，如圖3所示，在到達(dá)位置即地點(diǎn)1時(shí)間分布主要集中在8:00-10:00位置時(shí)間段，為18次，其概率0.529，而離開(kāi)的位置即地點(diǎn)1時(shí)間分布主要集中在10:00-12:00位置時(shí)間段，為16次，其概率為0.471。

兩個(gè)用戶(hù)軌跡網(wǎng)絡(luò)相似度度量方法如下1、度量?jī)蓚€(gè)網(wǎng)絡(luò)到達(dá)對(duì)應(yīng)節(jié)點(diǎn)的時(shí)空分布，2度量?jī)蓚€(gè)網(wǎng)絡(luò)離開(kāi)對(duì)應(yīng)節(jié)點(diǎn)的時(shí)空分布，將兩者相加為兩個(gè)軌跡相似度的度量結(jié)果。

到達(dá)對(duì)應(yīng)節(jié)點(diǎn)的時(shí)空分布度量方法與離開(kāi)對(duì)應(yīng)節(jié)點(diǎn)的時(shí)空分布度量方法相同，在此僅以到達(dá)對(duì)應(yīng)時(shí)間節(jié)點(diǎn)的時(shí)空分布度量方法為例，具體度量方法如下。

1、預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)為第m條，表示為L(zhǎng)^(m)，其他與之進(jìn)行相似度度量的用戶(hù)軌跡數(shù)據(jù)為第n條，表示為L(zhǎng)⁽ⁿ⁾，兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)和與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)到達(dá)節(jié)點(diǎn)的空間距離Dis_s(m,n)ⁱⁿ為：

其中為預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中到達(dá)第q個(gè)位置的概率，為到達(dá)第q個(gè)位置的次數(shù)，表示預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中所有位置到達(dá)次數(shù)之和；為與預(yù)測(cè)用戶(hù)進(jìn)行相似度度量的用戶(hù)軌跡數(shù)據(jù)中到達(dá)第q個(gè)位置的概率，為到達(dá)第q個(gè)位置的次數(shù)，表示與預(yù)測(cè)用戶(hù)進(jìn)行相似度度量的用戶(hù)軌跡數(shù)據(jù)中所有位置到達(dá)次數(shù)之和；表示位置q屬于預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)或其他與之進(jìn)行相似度度量用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中的一個(gè)位置，并且其中的

表示所有屬于兩個(gè)用戶(hù)軌跡數(shù)據(jù)中位置上到達(dá)概率乘積的平方根之和，其中，預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中出現(xiàn)的位置集合，與預(yù)測(cè)用戶(hù)進(jìn)行相似度度量的用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中出現(xiàn)的位置集合；

同理，可以得到兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)離開(kāi)節(jié)點(diǎn)的空間距離Dis_s(m,n)^out。

2、兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)到達(dá)節(jié)點(diǎn)的時(shí)間距離Dis_t(m,n)ⁱⁿ可表示為：

其中，N為兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)量，為預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中到達(dá)第q個(gè)位置的時(shí)間出現(xiàn)在第h位置時(shí)間段內(nèi)的概率，為與預(yù)測(cè)用戶(hù)進(jìn)行相似度度量用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中到達(dá)第q個(gè)位置的時(shí)間出現(xiàn)在第h位置時(shí)間段內(nèi)的概率；

并且其中的

表示兩個(gè)用戶(hù)軌跡數(shù)據(jù)中所有H個(gè)位置時(shí)間段到達(dá)第q個(gè)位置的出現(xiàn)在各個(gè)位置時(shí)間段內(nèi)的概率乘積的平方根之和；

同理，可以得到得到兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)離開(kāi)節(jié)點(diǎn)的的時(shí)間距離Dis_t(m,n)^out可表示為：

其中為預(yù)測(cè)用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中離開(kāi)第q個(gè)位置的時(shí)間出現(xiàn)在第h位置時(shí)間段內(nèi)的概率，為與預(yù)測(cè)用戶(hù)進(jìn)行相似度度量用戶(hù)的用戶(hù)軌跡數(shù)據(jù)中離開(kāi)第q個(gè)位置的時(shí)間出現(xiàn)在第h位置時(shí)間段內(nèi)的概率；

并且其中的

表示兩個(gè)用戶(hù)軌跡數(shù)據(jù)中所有H個(gè)位置時(shí)間段離開(kāi)第q個(gè)位置出現(xiàn)在各個(gè)位置時(shí)間段內(nèi)的概率乘積的平方根之和；

則到達(dá)節(jié)點(diǎn)的時(shí)空分布度量為Dis_s(m,n)ⁱⁿ與Dis_t(m,n)ⁱⁿ的積：

Dis(m,n)ⁱⁿ＝Dis_s(m,n)ⁱⁿ×Dis_t(m,n)ⁱⁿ

離開(kāi)節(jié)點(diǎn)的時(shí)空分布度量方法與到達(dá)對(duì)應(yīng)節(jié)點(diǎn)的時(shí)空分布度量方法相同，為Dis(m,n)^out＝Dis_s(m,n)^out×Dis_t(m,n)^out。

3、兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)的距離Dis(m,n)最終由上述兩部分距離共同決定，即：

Dis(m,n)＝Dis(m,n)ⁱⁿ+Dis(m,n)^out

兩個(gè)用戶(hù)(預(yù)測(cè)用戶(hù)與之進(jìn)行相似度度量的用戶(hù))軌跡網(wǎng)絡(luò)的相似度S(m,n)可以簡(jiǎn)單地由Dis(m,n)得到：

S(m,n)＝e^-Dis(m,n)。

K近鄰規(guī)律是本發(fā)明中重要的一步，根據(jù)前述方法，將用戶(hù)軌跡網(wǎng)絡(luò)與其他用戶(hù)軌跡網(wǎng)絡(luò)進(jìn)行相似度度量，在K近鄰發(fā)現(xiàn)中采用遍歷的方法搜索K個(gè)相似度最高的用戶(hù)，找到相似度最大的K個(gè)用戶(hù)，這K個(gè)用戶(hù)為預(yù)測(cè)用戶(hù)的K個(gè)近鄰。

K個(gè)近鄰與預(yù)測(cè)用戶(hù)的相似性度量作為與用戶(hù)融合的權(quán)重值進(jìn)行融合，在對(duì)位置進(jìn)行預(yù)測(cè)時(shí)，將K近鄰中的相似性影響權(quán)重歸一化至[0-1]，且總和為1。

對(duì)K個(gè)近鄰的相似度進(jìn)行歸一化處理，并作為K個(gè)近鄰對(duì)預(yù)測(cè)用戶(hù)的影響權(quán)值：

其中，S_k為K個(gè)近鄰中第k個(gè)的相似度，w_k為對(duì)應(yīng)的影響權(quán)值。

通過(guò)此種歸一化方法，考慮了K近鄰中每個(gè)用戶(hù)與預(yù)測(cè)用戶(hù)之間的關(guān)系，且更好的反映了近鄰用戶(hù)對(duì)預(yù)測(cè)用戶(hù)的加權(quán)影響。在本實(shí)施例例中，如圖4所示，預(yù)測(cè)用戶(hù)有K＝4個(gè)近鄰用戶(hù)，其歸一化后的權(quán)值分別為：用戶(hù)1，w₁＝0.3；用戶(hù)2，w₂＝0.1；用戶(hù)3，w₃＝0.2；用戶(hù)4，w₄＝0.4。

S3：位置移動(dòng)模式確定

對(duì)于預(yù)測(cè)用戶(hù)，在時(shí)間段T內(nèi)，從位置A到位置B后所有可能到達(dá)的位置為C_i，則三個(gè)連續(xù)位置即位置A、位置B以及C_i構(gòu)成一個(gè)位置移動(dòng)模式<A-B-C_i,T>；其中，i為可能到達(dá)的位置序號(hào)，i＝1,2,…,I，I為所有可能到達(dá)位置的數(shù)量。在本實(shí)施例中，如圖5所示，給出了一個(gè)8:00-9:00時(shí)間段，宿舍-食堂-實(shí)驗(yàn)室的位置移動(dòng)模式。

S4：用戶(hù)位置預(yù)測(cè)

本發(fā)明的核心內(nèi)容之一是對(duì)用戶(hù)位置預(yù)測(cè)，本發(fā)明考慮了預(yù)測(cè)用戶(hù)自身的移動(dòng)規(guī)律和身邊最相似的K個(gè)用戶(hù)(近鄰)的活動(dòng)規(guī)律，然后將兩種規(guī)律進(jìn)行融合最終匯聚成為帶有K近鄰特征的移動(dòng)規(guī)律。在用戶(hù)移動(dòng)規(guī)律的模式中，著重發(fā)現(xiàn)具有三個(gè)連續(xù)地點(diǎn)的移動(dòng)模式，這種模式符合實(shí)際的時(shí)間和空間約束。帶有地點(diǎn)相關(guān)特征的預(yù)測(cè)主要表現(xiàn)為通過(guò)分析前一地點(diǎn)所具有的空間約束和時(shí)間約束分析未來(lái)可能到達(dá)地點(diǎn)約束的最大可能，如圖6所示，具體用戶(hù)位置預(yù)測(cè)為：

S401、首先找到位置集合Z，集合Z為所有預(yù)測(cè)用戶(hù)可能到達(dá)位置C_i的集合，i為可能到達(dá)位置的序號(hào)，i＝1,2,…,I，I為所有可能到達(dá)位置的數(shù)量；

S402、在預(yù)測(cè)用戶(hù)的K個(gè)近鄰中，對(duì)于每個(gè)近鄰，在其歷史用戶(hù)軌跡數(shù)據(jù)找到位置移動(dòng)模式<A-B-C_i,T>，并計(jì)算該位置移動(dòng)模式發(fā)生的可能性NPr_k<A-B-C_i,T>，所有近鄰模式即所有近鄰的影響為：

S403、個(gè)體模式下，計(jì)算預(yù)測(cè)用戶(hù)歷史用戶(hù)軌跡數(shù)據(jù)中位置移動(dòng)模式<A-B-C_i,T>發(fā)生的可能性UPr(＜A-B-C_i,T＞)；

S404、計(jì)算預(yù)測(cè)用戶(hù)到達(dá)第i個(gè)位置的可能性為：

其中，Pr(＜A-B-C_i,T＞)為預(yù)測(cè)用戶(hù)在時(shí)間段T內(nèi)，從位置A到位置B后到達(dá)的位置C_i的可能性。

S405、找到可能性最大的位置C_max。

S5：群體分布規(guī)律預(yù)測(cè)

本發(fā)明中，群體位置分布預(yù)測(cè)的基礎(chǔ)是群體內(nèi)個(gè)體的移動(dòng)模式。將群體內(nèi)個(gè)體即各個(gè)用戶(hù)位置預(yù)測(cè)結(jié)果相加后既為群體位置分布預(yù)測(cè)結(jié)果。在一定區(qū)域范圍內(nèi)共有R個(gè)預(yù)測(cè)用戶(hù)，則群體位置分布預(yù)測(cè)如下：

其中，Pr_r(＜A-B-C_i,T＞)為第r個(gè)預(yù)測(cè)用戶(hù)在時(shí)間段T內(nèi)，從位置A到位置B后到達(dá)的位置C_i的可能性。

本發(fā)明首先提取軌跡數(shù)據(jù)中的重要地點(diǎn)，然后通過(guò)一種時(shí)空分布相關(guān)的距離度量函數(shù)，找出圍繞用戶(hù)且具有相似位置分布的K個(gè)用戶(hù)。然后本發(fā)明通過(guò)挖掘用戶(hù)歷史信息中形如<A-B-C,T>(其中A,B,C代表提取出的位置，且A,B,C具有先后順序性，T代表該A-B-C位置模式所具備的時(shí)間特征)的移動(dòng)模式。在近鄰模式中，搜索具有相同模式的近鄰并且將與近鄰的距離作為權(quán)重，與個(gè)體模式進(jìn)行融合。對(duì)未來(lái)位置C進(jìn)行預(yù)測(cè)時(shí)要注意先前到達(dá)的位置的移動(dòng)模式。未來(lái)的群體位置分布針對(duì)群體是由每個(gè)小團(tuán)體構(gòu)建而成的社會(huì)特點(diǎn)，將K近鄰中的所有模式視為位置分布，將群體中的所有K近鄰的位置分布相加即為群體的位置分布。

本發(fā)明中，針對(duì)傳統(tǒng)位置預(yù)測(cè)方法的不足提出了基于個(gè)體移動(dòng)規(guī)律和K近鄰規(guī)律的位置預(yù)測(cè)技術(shù)。本發(fā)明中提出了在用戶(hù)相似性度量、用戶(hù)移動(dòng)模式發(fā)現(xiàn)、用戶(hù)K近鄰發(fā)現(xiàn)、用戶(hù)位置預(yù)測(cè)和群體位置分布預(yù)測(cè)等關(guān)鍵技術(shù)上做出了創(chuàng)新。

盡管上面對(duì)本發(fā)明說(shuō)明性的具體實(shí)施方式進(jìn)行了描述，以便于本技術(shù)領(lǐng)域的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實(shí)施方式的范圍，對(duì)本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見(jiàn)的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。