资料下载
如何使用Adaboost Markov模型进行移动用户位置预测方法的详细资料说明
分享资料个
针对Markov模型在位置预测中存在预测精度不高及匹配稀疏等问题，提出了一种基于Adaboost-Markov模型的移动用户位置预测方法。首先，通过基于转角偏移度与距离偏移量的轨迹划分方法对原始轨迹数据进行预处理，提取出特征点，并采用密度聚类算法将特征点聚类为用户的各个兴趣区城，把原始轨迹数据离散化为由兴趣区域组成的轨迹序列;然后，根据前缀轨迹序列与历史轨迹序列模式树的匹配程度来自适应地确定模型阶数k;最后，采用Adaboost算法根据1 ~k阶Markov模型的重要程度为其赋予相应的权重系数，组成多阶融合Markov模型，从而实现对移动用户未来兴趣区域的预测。在大规模真实用户轨迹数据集上的实验结果表明，与1阶Markov模型、2阶Markov模型、权重系数平均的多阶融合Markov模型相比，Adaboost-Markov模型的平均预测准确率分别提高了20.83%、11.3%以及5. 38% ，且具有良好的普适性与多步预测性能。
随着智能移动终端普及率的提高以及移动空间定位技术的迅猛发展，基于位置的服务（ Location Based Service， LBS ）得到了广泛应用”。目前基于位置的服务主要包含定位查询路径规划和位置共享等功能，这些功能多集中于为用户提供当前位置的相关服务。为了使服务更具前瞻性，近年来大量国内外学者把目光投向了移动用户的位置预测上。移动用户位置预测具有很高的研究价值与广阔的应用前景，其中最直观的应用包括个性化推荐与提醒。根据预测出的用户下一步地点，可以针对用户进行个性化的推荐与提醒，例如系统预测出某个用户的下一步地点为某个酒吧，可以向这位用户推荐这个酒吧的促销活动，以及推荐常去此酒吧的新朋友。可疑目标追踪。移动用户位置预测可用于对可疑用户进行追踪定位，例如在网上发表极端言论的用户，通过预测目标用户的未来目的地，可以有效防范危害公共安全的恶性事件发生 。智能化交通。通过车载GPS （ ClobalPositioning System）设备采集的大量轨迹数据可用于预测交通拥堵情况，从而便于司机规划行驶路线以及提高出租车的调度效率。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
