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.     

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.     

MPTCP联合拥塞控制机制的Markov模型

为了研究多路径传输控制协议(transmission con-trol protocol,TCP)的RFC标准MPTCP的联合拥塞控制机制,提出了一种基于Markov过程的预测模型。该模型是一种离散分组模型,将多条彼此相关的子流拥塞窗口联合起来,通过建立其在多维离散状态空间下的Markov过程,对MPTCP流的有效吞吐率性能参数进行建模。对比实验结果表明:输入参数变化时该模型预测结果与模拟实验结果变化趋势相同。该模型能有效预测MPTCP联合拥塞控制机制性能,同时也为其他多路径TCP拥塞控制机制提供了理论参考。     

基于Markov模型的基因组合调控模块预测

研究了Markov模型在预测基因组合调控模式中的应用.首先基于基因序列特点构造Markov模型,并发展了预测基因组合调控模块的概率模型.然后结合目前基因组合调控模式数据库的特征,提出了比较模型优劣的新指标:丰度.最后利用提出的模型预测分析酵母核糖体蛋白基因中的转录调控模块,并与其它方法进行比较,结果表明Markov模型在预测基因组合调控模式时的有效性和优越性.     

模糊加权Markov链的用户行为预测

提出了基于模糊加权Markov链模型,通过分析用户行为特征和最优状态分类的方法,预测网络用户行为,并验证了此模型的可行性和实用性.     

三种模糊Markov链状预测模型

为了解决具有不确定信息的Markov链状预测问题,给出了"模糊状态-精确观测数据"、"精确状态-模糊观测数据"和"模糊状态-模糊观测数据"三类模糊Markov链状预测的模型,涵盖了具有不确定信息的Markov链状预测的各种形式,系统研究了三种模型下的状态转移概率确定方法与预测过程。该项工作使得模糊Markov链状预测模型问题趋于完善,为深入研究模糊Markov过程以及其它特殊的模糊随机过程提供了思路。     

卫星移动信道的统计模型仿真与Markov的两状态模型

仿真了卫星移动信道中的几种常见的统计模型,并将理论结果同仿真结果进行了比较,显示出较好的吻合性, 同时基于这几种统计模型的机理,给出了Markov的两状态模型,证明了阴影过程可建模为Markov的两状态模型。     

Markov链模型在异常检测上的应用研究

Markov链模型作为一种统计分析方法是异常检测的重要分析手段，论文分别从单步、多步Markov链和基于Markov链的序列预测三个方面，研究了Markov链模型在异常检测检测上的应用。实验表明，该方法在不需要任何攻击领域知识的情况下，能很好检测出SendMail系统调用的异常行为。     

模糊Markov自动预测程序在辽河泥沙含量预测中的应用

模糊状态-模糊观测数据的Markov预测模型具有经典Markov模型不具备的优势,但模型建立过程相对复杂,计算量大。利用Matlab将模型建立过程编写为通用程序,代替繁琐的手算过程。该方法保留模糊Markov模型的优点,弥补其不足。利用模糊Markov自动预测程序对辽河含沙量数据进行预测。研究结果表明:模糊Markov模型能充分利用数据的丰富性,兼容观测数据的误差和波动;模糊状态的划分更加细致合理。这些优点使模糊Markov模型具有很高的预测精度。对辽河含沙量数据的预测表明,对淡水资源的保护迫在眉睫。     

中子通量测量系统可靠性

核电堆芯中子通量测量系统是对核反应堆进行中子通量实时精准测量的专用工具,其可靠性对核反应堆的运行也有重要影响.针对中子通量测量系统多状态的特点,提出一种将Markov模型和GO法结合的方法.首先通过Markov状态空间法对中子通量测量系统的可靠性进行分析建模,求得系统处于各个运行状态下的概率,然后根据系统原理构建GO图,用GO法实现了多状态下的中子通量测量系统可靠性分析.最后以某核电站中子通量测量系统为算例,验证了该方法,为中子通量测量系统可靠性的分析提供了有效的手段.     

MWSN中基于马尔可夫链的节点移动预测算法

在以往的移动无线传感器网络(mobile wireless sensor network,MWSN)中,热点分配问题没有得到很好的解决,网络利用率较低.通过预测移动节点的轨迹可以优化网络结构,提出结合加速度进行轨迹预测的算法MTPA:首先对节点的运动状态进行建模;其次建立了一步运动状态概率转移矩阵;最后以马尔可夫链为基础设计多步概率转移矩阵计算算法.为了验证算法性能,在STM32F407平台上进行了实验,结果表明,MTPA算法相比于传统的匀速预测算法与频率统计算法,预测准确度具有一定的优势,相关研究成果可以为MWSN提供基础.     

基于并行模式挖掘和路径匹配的用户位置预测

为了提高移动用户位置预测的精度,提出了基于并行模式挖掘和路径匹配的移动用户位置预测方法,对传统的FP-GROWTH算法作了并行化处理,优化了节点负载分配方法,在Spark平台下挖掘用户移动频繁模式.改进了基于索引的路径相似度算法,提出基于路径最短距离的相斥度算法,提高了对轨迹数据缺失的适用性.在真实的用户轨迹数据集上实验表明,提出的基于轨迹相斥度预测方法相比马尔可夫模型和卡尔曼滤波模型拥有更高的预测精度,预测精确度平均提升7%左右.     

一种端到端的个体出行轨迹重识别的深度学习方法

对于行人的再识别研究大多采用图像处理和计算机视觉领域的相关方法,在社会治安领域和商业领域内受到了越来越多的关注.从信息检索的角度出发,提出了一种端到端的深度学习框架,对匿名化的基于位置的服务(LBS)数据进行用户再识别.首先,该框架采用嵌入网络对输入的位置序列及其对应的时间序列进行编码;然后采用递归循环网络对用户每天的...     

基于改进的隐马尔科夫模型的词性标注方法

针对隐马尔可夫(HMM)词性标注模型状态输出独立同分布等与语言实际特性不够协调的假设,对隐马尔可夫模型进行改进,引入马尔可夫族模型。,该模型用条件独立性假设取代HMM模型的独立性假设。将马尔可夫族模型应用于词性标注,并结合句法分析进行词性标注。用改进的隐马尔可夫模型进行词性标注实验。实验结果表明:与条件独立性假设相比,独立性假设是过强假设,因而基于马尔可夫族模型的语言模型更符合语言等实际物理过程;在相同的测试条件下,马尔可夫族模型明显好于隐马尔可夫模型,词性标注准确率从94.642%提高到97.126%。     

基于智能手机传感器和SC\|HMM算法的行为识别

在获取智能手机传感器信号的基础上, 提出一种基于谱聚类和隐Markov模型的日常行为识别算法. 该方法利用智能手机获取的加速度、 地理位置和接受信号强度等数据, 结合谱聚类分析和隐Markov模型学习, 能有效地对用户日常行为进行自动识别. 实验结果表明, 在真实的手机数据集中, 该方法具有较高的准确度.     

基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

基于一种新型马尔科夫模型的预测蛋白质亚细胞位点的方法

亚细胞位点是蛋白质很重要的功能特征.找到一种有效的、可信度高的预测蛋白质位点的方法是很必要的.提出了一种基于马尔科夫模型的改进预测方法.首先,对于一条给定的蛋白质序列,通过计算在马尔科夫模型下20个氨基酸残基的状态转移矩阵,建立一个420维的特征向量,然后利用支持向量机进行训练和预测,最后夹克刀检验证实了该方法的预测精度与以前的马尔科夫模型相比得到了一定的提高.     

灰色马尔可夫SCGM(1,1)预测模型

结合灰色SCGM(1,1)预测模型和马尔可夫概率预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型。并且以郑州市降雨量的预测作为实例,证明灰色马尔可夫预测模型对于随机波动性较大的数据列的预测具有较高的精度。