技術(shù)特征：

1.一種融合個(gè)體與近鄰移動(dòng)規(guī)律的位置預(yù)測(cè)方法，其特征在于，包括以下步驟：

(1)、用戶移動(dòng)數(shù)據(jù)收集與整理清洗

收集用戶移動(dòng)數(shù)據(jù)，根據(jù)分析需求對(duì)用戶移動(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)隱藏在用戶移動(dòng)數(shù)據(jù)中重要(關(guān)鍵)地點(diǎn)的位置信息進(jìn)行提取，并獲取對(duì)應(yīng)位置的時(shí)間分布信息，得到用戶軌跡數(shù)據(jù)；

(2)、K近鄰發(fā)現(xiàn)

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

$w_k=\frac{S_k}{S_1+S_2+,...,+S_K}$

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，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；

(4)、用戶位置預(yù)測(cè)

在預(yù)測(cè)用戶的K個(gè)近鄰中，對(duì)于每個(gè)近鄰，在其歷史用戶軌跡數(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)用戶到達(dá)第i個(gè)位置的可能性為：

$\mathrm{Pr}(\&lt;A-B-C_i,T\&gt;)=U\mathrm{Pr}(\&lt;A-B-C_i,T\&gt;)+\underset{k=1}{\overset{K}{\&Sigma;}}{w}_k{\mathrm{NPr}}_k(\&lt;A-B-C_i,T\&gt;)$

其中，Pr(＜A-B-C_i,T＞)為預(yù)測(cè)用戶在時(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)用戶歷史用戶軌跡數(shù)據(jù)中位置移動(dòng)模式<A-B-C_i,T>發(fā)生的可能性。

2.根據(jù)權(quán)利要求1所述的位置預(yù)測(cè)方法，其特征在于，步驟(2)中，所述將其用戶軌跡網(wǎng)絡(luò)與其他用戶軌跡網(wǎng)絡(luò)進(jìn)行相似度度量為：

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

${\mathrm{Dis}}_s{(m,n)}^{in}=-ln\left(BC\right(P_{X_{L^{\left(m\right)}}},P_{X_{L^{\left(n\right)}}}\left)\right)$

$P_{X_{L^{\left(m\right)}}}\left(q_{in}\right)=w\left(v_{q_{in}}^{\left(m\right)}\right)/{\mathrm{\&Sigma;}}_{m}w\left(v_{q_{in}}^{\left(m\right)}\right)$

$P_{X_{L^{\left(n\right)}}}\left(q_{in}\right)=w\left(v_{q_{in}}^{\left(n\right)}\right)/{\mathrm{\&Sigma;}}_{n}w\left(v_{q_{in}}^{\left(n\right)}\right)$

其中為預(yù)測(cè)用戶的用戶軌跡數(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)用戶的用戶軌跡數(shù)據(jù)中所有位置到達(dá)次數(shù)之和；為與預(yù)測(cè)用戶進(jìn)行相似度度量的用戶軌跡數(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)用戶進(jìn)行相似度度量的用戶軌跡數(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)用戶的用戶軌跡數(shù)據(jù)或其他與之進(jìn)行相似度度量用戶的用戶軌跡數(shù)據(jù)中的一個(gè)位置，并且其中的

表示所有屬于兩個(gè)用戶軌跡數(shù)據(jù)中位置上到達(dá)概率乘積的平方根之和；

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

2.2)、兩個(gè)用戶(預(yù)測(cè)用戶與之進(jìn)行相似度度量的用戶)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：

${\mathrm{Dis}}_t{(m,n)}^{in}=\frac{1}{N}\underset{q=1}{\overset{N}{\&Sigma;}}-ln\left(BC\right(P_{Y_{q_{in}}^{\left(m\right)}},P_{Y_{q_{in}}^{\left(n\right)}}\left)\right)$

$BC(P_{Y_{q_{in}}^{\left(m\right)}},P_{Y_{q_{in}}^{\left(n\right)}})=\underset{h\&Element;H}{\&Sigma;}\sqrt{{P_{Y_{q_{in}}^{\left(m\right)}}}^{\left(h\right)}\&CenterDot;{P_{Y_{q_{in}}^{\left(n\right)}}}^{\left(h\right)}}$

其中，N為兩個(gè)用戶(預(yù)測(cè)用戶與之進(jìn)行相似度度量的用戶)軌跡網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)量，為預(yù)測(cè)用戶的用戶軌跡數(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)用戶進(jìn)行相似度度量用戶的用戶軌跡數(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

$\underset{h\&Element;H}{\&Sigma;}\sqrt{{P_{Y_{q_{in}}^{\left(m\right)}}}^{\left(h\right)}\&CenterDot;{P_{Y_{q_{in}}^{\left(n\right)}}}^{\left(h\right)}}$

表示兩個(gè)用戶軌跡數(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(預(yù)測(cè)用戶與之進(jìn)行相似度度量的用戶)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：

${\mathrm{Dis}}_t{(m,n)}^{out}=\frac{1}{N}\underset{q=1}{\overset{N}{\&Sigma;}}-ln\left(BC\right(P_{Y_{q_{out}}^{\left(m\right)}},P_{Y_{q_{out}}^{\left(n\right)}}\left)\right)$

$BC(P_{Y_{q_{out}}^{\left(m\right)}},P_{Y_{q_{out}}^{\left(n\right)}})=\underset{h\&Element;H}{\&Sigma;}\sqrt{{P_{Y_{q_{out}}^{\left(m\right)}}}^{\left(h\right)}\&CenterDot;{P_{Y_{q_{out}}^{\left(n\right)}}}^{\left(h\right)}}$

其中為預(yù)測(cè)用戶的用戶軌跡數(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)用戶進(jìn)行相似度度量用戶的用戶軌跡數(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

$\underset{h\&Element;H}{\&Sigma;}\sqrt{{P_{Y_{q_{out}}^{\left(m\right)}}}^{\left(h\right)}\&CenterDot;{P_{Y_{q_{out}}^{\left(n\right)}}}^{\left(h\right)}}$

表示兩個(gè)用戶軌跡數(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；

2.3)、兩個(gè)用戶(預(yù)測(cè)用戶與之進(jìn)行相似度度量的用戶)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(預(yù)測(cè)用戶與之進(jìn)行相似度度量的用戶)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)。