一种用户频繁移动模式并行挖掘算法

针对用户的日常移动轨迹进行挖掘,可以有效地发现隐藏在用户生活中频繁出现的移动规律,即用户频繁移动模式,提出了一种基于PrefixSpan算法的用户频繁移动模式并行挖掘算法PASFORM.该算法利用了新的剪枝策略,缩小了搜索空间;引入了时间约束,挖掘出的频繁移动模式带有时间属性;使用前缀树存储频繁移动模式,缩小了存储空间;采用了并行化方法,适用于海量时空数据的挖掘.实验结果表明,该方法能够快速有效地挖掘出用户频繁移动模式.     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

移动通信网络环境下的用户运动模式挖掘

为解决移动用户运动规律获取问题,提出了一种在移动通信网络(GSM)环境下,从用户低层基站位置信息中提取出运动模式的方法.针对基站连接的振荡、重叠等问题,该方法对原始基站位置数据进行分段、窗口化、分组和聚类处理,并将原始基站位置数据表示为聚类序列.采用关联规则挖掘算法从聚类序列中提取出用户运动模式.最后,基于真实基站位置...     

基于聚类和时间权重的协同过滤位置预测算法

校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.     

基于GPS轨迹数据的混合多步Markov位置预测

随着移动设备和定位技术的广泛应用,基于位置服务成为研究热点,位置预测是其重要研究内容.基于GPS轨迹数据,对位置预测方法进行研究.Markov模型可以较好地表示时序数据,因此可较好地用于位置建模和预测.在基于Markov建模的位置预测中,1阶Markov模型存在轨迹信息利用不充分、预测准确率低的问题;而多阶Markov模型存在状态空间急剧膨胀的问题.针对这些问题,提出了基于混合多步Markov模型的位置预测方法,在将原始GPS轨迹转化为区域轨迹的基础上,对各多步模型进行融合,提出了基于Adaboost框架的各多步模型影响系数的生成方法,在保证状态空间不变的情况下提高了预测准确性.真实数据集上的实验验证了所提位置预测方法的有效性.     

基于移动交易序列模式的用户行为模式增益挖掘研究

在移动运算环境中挖掘用户行为模式是目前数据挖掘应用领域新兴的研究热点课题,通过整合商业事务动态路径发现移动商业序列模式,即基于移动用户行为的移动交易序列信息挖掘模式。基于深度优先搜索与宽度优先策略,对单位增益(利润)与类别商品交易量进行关联挖掘,首先是基于增益模式集成挖掘高增益移动行为序列,其次是依赖频次模式挖掘解决不同类型商务模式的顾客行为序列模式,然后是在移动交易环境下验证评价算法的执行效率。提出基于移动商务行为特征数据信息构造树算法,挖掘移动商务行为数据的品类特征信息,在同类算法结果比较中较高水准地表达发掘移动序列行为模式。实验评价实施中分析用户序列商业行为与绩效比较,通过两个典型算法比较,结果表明构造树算法能在综合移动电子商业环境下发现移动商业交易框架下的用户事务行为路径及用户倾向性的交易行为,便于规划及管理现有的移动电子商务平台。     

面向移动时空轨迹数据的频繁闭合模式挖掘

移动泛在感知设备的广泛普及为移动轨迹数据的大规模采集、存储与分析开拓了广阔的空间。通过对用户的移动轨迹数据进行分析挖掘,发现其中所蕴含的有价值的行为模式与特征,对于基于位置的服务(Location-based Service,LBS),城市交通管理,精准广告营销等领域均具有重要的价值。文中针对移动轨迹频繁模式规模过大、信息冗余问题定义了频繁闭合移动轨迹模式,以经典闭合序列模式挖掘算法为基础提出了适应于移动轨迹数据的频繁闭合模式Close Traj算法,分别通过对仿真数据与真实数据的实验测试,结果显示文中所提出的Close Traj算法对于频繁闭合移动轨迹模式挖掘问题具有较强的适用性,同时在运行效率方面具有显著优势。     

机会认知网络中基于社会关系的节点位置预测算法

移动节点位置预测是机会认知网络进行有效数据采集和消息转发的基础,提出了一种基于社会关系的移动节点位置预测算法.该算法基于位置对应用场景进行建模,通过节点的移动规律挖掘节点之间的社会关系.该算法以1阶Markov模型为基础对节点的移动性进行初步预测,然后,利用与其社会关系较强的其他节点位置对该节点的预测结果进行修正.最后,基于UCSD WTD数据集对算法进行仿真实验.结果表明,基于社会关系的移动节点位置预测算法与1阶Markov预测模型相比获得了更好的预测精度,并且算法具有较好的可扩展性.     

融合位置信息和物品流行度的协同过滤算法

针对绝大多数用户消费习惯对地理位置的敏感性,以及推荐过程中的"长尾效应",提出融合位置信息和物品流行度的协同过滤算法。对传统的协同过滤算法作出2点改进:第一,将用户兴趣偏好与位置偏好相结合,提出一种新的基于地理位置的用户相似度计算方法;第二,在预测评分时,引入物品流行度权重,合理地调整流行物品和长尾物品的推荐期望值。使用Foursquare数据集作为实验数据集,与相关算法进行对比实验。结果表明,改进算法能有效提高推荐的精度和推荐结果的多样性。     

基于语法推导的溯源依赖关系路径模式挖掘算法

溯源依赖关系路径模式是基于溯源数据的云数据服务安全策略的重要基础。该文阐述了依赖关系路径模式挖掘的重要意义,提出一种对数据溯源图进行预处理的线性排序算法,使利用自动机模型对溯源数据进行语法推导及解析成为可能;给出了基于自动机语法推导及解析的依赖关系路径间相似度的定义和计算方法;提出一种通用的依赖关系路径模式挖掘算法,在降低领域先验知识要求的前提下,支持溯源规则的自动学习。通过实例研究,验证了该算法在现实应用中的可行性。     

基于出行偏好和路径长度的路径规划方法

针对基于最短路径的路径规划方法只关注路径长度, 而基于轨迹的路径规划方法过度依赖用户偏好的问题, 提出一种同时考虑用户出行偏好和路径长度的路径规划方法. 首先, 利用长短期记忆模型从历史出行轨迹中提取用户的出行偏好; 其次, 采用Markov链Monte Carlo采样技术将用户的出行偏好引入启发式搜索算法A*中, 在道路网络中搜索得到符合用户出行偏好且较短的路径; 最后, 以北京市路网和出租车轨迹数据作为测试数据, 将该方法与基于最短路径的规划方法和基于轨迹的路径规划方法进行实验对比. 实验结果表明, 该路径规划方法更稳定, 并且其规划的路径具有较高的准确度、 较短的行驶距离和行程时间.     

基于组稀疏卡尔曼滤波的多步轨迹预测方法

提出一种基于组稀疏卡尔曼滤波的机动轨迹多步预测方法。首先引入组稀疏编码，通过一次学习建立简单的多步线性回归预测模型，克服了传统方法未能充分利用历史数据而导致预测精度降低的问题；再利用最小角回归算法来计算该模型的稀疏系数，进一步改善模型系数估计的准确性；然后改进了卡尔曼滤波算法，并结合上述组稀疏编码算法，来确保预测结果的精确性;最后通过与传统BP、长短时记忆网络和组稀疏编码方法的仿真比较，验证了所提方法的有效性。     

基于滚动预瞄模型的纯跟踪算法

针对无人驾驶车辆采用纯跟踪算法对不同曲率路径跟踪时,出现道路适应能力弱和跟踪精度差的问题,提出一种基于代价的滚动预瞄模型(rolling preview model, RPM),以提高纯跟踪算法跟踪精度与鲁棒性。首先,根据车辆运动学与阿克曼转向几何,提出预瞄轨迹的确定方法以及预瞄轨迹与待跟踪路径间的几何约束;其次,设计道路弯曲度加权项并构建目标函数对预瞄轨迹进行优化,以获得预瞄距离的最优值;最后,在ROS/Gazebo仿真环境下设置不同初始状态与不同曲率的工况进行对比仿真实验,并在空旷环境中对8字形路径进行实车跟踪实验。实验结果表明,所提出的滚动预瞄模型能够根据预瞄轨迹与待跟踪路径的几何关系有效调节预瞄距离,相较于麻省理工(Massachusetts Institute of Technology, MIT)算法和Stanley算法,滚动预瞄模型在特殊初始状态、大曲率道路下有利于跟踪精度的提高。     

智能车辆轨迹跟踪控制方法研究

针对智能车辆的轨迹跟踪控制问题,提出了一种可以调节参数的智能车辆轨迹跟踪控制方法.首先,设计了模糊控制器对智能车辆进行路径跟踪控制;其次,为了提高车辆在高速下的路径跟踪效果,设计模型预测控制器,并结合轮胎的动力学特性及车辆动态特性对轮胎侧偏角、质心侧偏角等进行约束;然后,为了提高车辆在不同工况下的路径跟踪效果,进一步设计了基于PSO算法的模型预测控制器.比较三种控制器的控制效果,选择典型工况在联合仿真平台上进行仿真.结果表明,提出的智能车辆的轨迹跟踪控制方法可以有效地对车辆轨迹进行跟踪.     

An approach for user’s trajectory prediction based on the trajectory cluster

The existing user’s trajectory prediction methods considered little about the interrelation among users and would fail if the user historical trajectory data were lack. This paper presents a user’s trajectory prediction model and corresponding algorithms by the historical trajectories of users based on the trajectory cluster. The experimental results on MDC dataset show that the proposed method has great improvement in efficiency, accuracy, and scalability comparing with the traditional methods, and it also be applied to the situation where user’s historical trajectory data are lacked.     

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。     

应用时间滑动窗口模型的轨迹相似性研究

针对社交网络用户个人信息难以获取、公开信息不完整、不通用甚至内容虚假的问题，选择了普适性强，且能客观、真实反映用户行为习惯的位置数据作为相似性分析依据，对新浪微博、滴滴打车进行位置数据采集，形成两个高价值且具有国内网民特色的数据集作为实验对象.提出了一种基于时间滑动窗口模型的轨迹相似性匹配算法，通过调整时间窗口和位置距离优化算法F值，实现不同网络平台用户的相似性分析.以对新浪微博和滴滴打车的用户位置数据为例进行验证，实验结果证明了地理位置为虚拟身份相似性判断的正相关影响因子，且判断相似性的平均F值超过90%.