軌跡預測與意圖挖掘問題研究.pdf

1、隨著定位設備和視頻捕捉設備的廣泛應用，時空軌跡數(shù)據(jù)的獲得變得越來越便捷。例如，人們在社交網(wǎng)站（如Foursquare）上和朋友們分享自己的位置，這就產生了大量的簽到數(shù)據(jù)。又如，車輛會被城市道路上的交通監(jiān)控攝像機所捕捉，隨后利用光學字符識別技術被處理成結構化的記錄。簽到數(shù)據(jù)和車輛通行數(shù)據(jù)都是典型的時空軌跡數(shù)據(jù)，他們都包含對象、位置以及時間三種屬性。這些數(shù)據(jù)蘊含著巨大的價值，在城市計算、路徑規(guī)劃、位置預測等領域出現(xiàn)了大量的成果。
　　

2、本文針對時空軌跡挖掘領域的相關問題進行了深入的研究。首先，基于用戶的歷史軌跡研究下一個位置預測問題。在實際應用中，提前知曉用戶的下一個位置，可以給用戶推薦更合理的駕駛路線以及給用戶推薦將要到達位置的廣告信息。為了進行下一個位置預測，首先提出了全局馬爾科夫模型(GMM)和個人馬爾科夫模型(PMM)。GMM利用用戶所有的軌跡發(fā)現(xiàn)集體移動模式; PMM利用每個用戶自己的軌跡發(fā)現(xiàn)個人移動模式。這兩個模型通過線性回歸組合起來產生最后的預測器(NL

3、PMM)。此外，由于時間因素對用戶的移動模式有影響，我們尋求在模型中加入時間因素以提高預測的準確性。我們提出了三種方法來聚類不同時間段中的軌跡，并訓練了更加細化的模型來預測下一個位置。
　　進一步地，本文提出了融合用戶相似度和軌跡相似度的馬爾科夫模型(objectTra-MM)來預測下一個位置。objectTra-MM由兩個模型組成:基于用戶相似度聚類的馬爾科夫模型（object-MM）和基于軌跡相似度聚類的馬爾科夫模型(tra-

4、MM)。object-MM分析了對象的空間位置特性，并且將具有相似特性的對象進行聚類。對于每個類，object-MM利用類中對象的軌跡訓練變階馬爾科夫模型。tra-MM基于給定的相似度測度對軌跡進行聚類，然后利用每個類中的軌跡訓練變階馬爾科夫模型。
　　最后，本文探究了軌跡背后隱含的意圖來更好地理解人們的移動模式。為此，我們提出了一種新的概率模型-(Intention of Movement: IoM)來建模軌跡的生成過程。IoM