本發(fā)明屬于移動計(jì)算技術(shù)領(lǐng)域，特別涉及是一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法。

背景技術(shù)：

目前，隨著移動定位與追蹤技術(shù)的快速發(fā)展與廣泛普及，使得利用位置感知設(shè)備以獲取移動對象的歷史軌跡數(shù)據(jù)成為可能。通過對歷史軌跡數(shù)據(jù)進(jìn)行語義化建模與計(jì)算求解，以實(shí)現(xiàn)歷史軌跡大數(shù)據(jù)的價值提取與知識發(fā)現(xiàn)，從而支撐相關(guān)移動服務(wù)應(yīng)用，已經(jīng)成為移動計(jì)算領(lǐng)域的一個顯著趨勢與必然特征，同時引起了學(xué)術(shù)界與產(chǎn)業(yè)界的高度關(guān)注。

基于大規(guī)模群體感知?dú)v史軌跡數(shù)據(jù)，高效挖掘并提取其中具有普遍性的、規(guī)律性的移動特征與行為模式，構(gòu)建移動行為知識庫；通過對移動軌跡的數(shù)學(xué)建模，利用最大概率推導(dǎo)方法，可實(shí)現(xiàn)對移動用戶的在線路徑精準(zhǔn)預(yù)測。該技術(shù)可以廣泛應(yīng)用于城市交通智能化調(diào)度與管理、基于位置的商業(yè)精準(zhǔn)廣告營銷、旅游路線推薦等諸多領(lǐng)域。然而，在實(shí)際應(yīng)用中，上述方法存在兩個方面的問題，具體表現(xiàn)為：1)上下文及背景知識數(shù)據(jù)的不易獲取使得結(jié)合地圖匹配(Map Matching Technique)或是交通流量(Traffic Flow)統(tǒng)計(jì)方法以改善移動路徑預(yù)測精度難以奏效；2)感知數(shù)據(jù)價值密度低這一本質(zhì)特征所帶來的數(shù)據(jù)稀疏問題(Data Sparsity Problem)使得傳統(tǒng)的基于近似度計(jì)算或是模式匹配的方法難以奏效。上述問題的存在對于移動路徑預(yù)測方面的應(yīng)用服務(wù)帶來了巨大的挑戰(zhàn)。因此，針對海量感知軌跡數(shù)據(jù)的稀疏性分布特征，如何在上下文及背景知識數(shù)據(jù)缺失的條件下構(gòu)建應(yīng)用性強(qiáng)、可靠性高的移動路徑精準(zhǔn)預(yù)測模型及方法具有十分重要的現(xiàn)實(shí)意義與應(yīng)用價值。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明提供一種面向海量移動軌跡數(shù)據(jù)稀疏性分布的路徑預(yù)測方法，所采用的技術(shù)方案是：

一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，包括以下步驟：

S1：獲取移動位置數(shù)據(jù)信息；

S2：數(shù)據(jù)處理：對于數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)語義解析；

S3：構(gòu)建語義知識庫：對原始軌跡數(shù)據(jù)進(jìn)行富語義轉(zhuǎn)化與融合處理，構(gòu)建語義知識庫；

S4：構(gòu)建混合在線預(yù)測模型：基于語義知識庫，建立基于前向模式相似度匹配計(jì)算與高階馬爾可夫模型的混合在線預(yù)測模型；

S5：預(yù)測路徑輸出：在混合在線預(yù)測模型中輸入待預(yù)測軌跡片段進(jìn)行預(yù)測，輸出預(yù)測路徑。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述S1中移動位置數(shù)據(jù)信息包括待預(yù)測軌跡片段。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述的S2中數(shù)據(jù)語義解析包括對數(shù)據(jù)進(jìn)行統(tǒng)一化的語義坐標(biāo)轉(zhuǎn)換操作，分割成完整移動軌跡段，并進(jìn)行標(biāo)注。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理包括：隱含地圖語義化分割、路網(wǎng)骨架簡約節(jié)點(diǎn)抽取、移動模式知識發(fā)現(xiàn)。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理還包括區(qū)域級Pair遷移矩陣，所述的區(qū)域級Pair遷移矩陣是基于隱含地圖語義化分割處理而計(jì)算得到。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理還包括多連續(xù)狀態(tài)遷移概率模型，所述多連續(xù)狀態(tài)遷移概率模型用于對分段軌跡序列轉(zhuǎn)化語義數(shù)據(jù)。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述的S4中前向模式匹配包括元素匹配和距離計(jì)算。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，優(yōu)先執(zhí)行前向模式匹配預(yù)測過程，在匹配過程有解時輸出預(yù)測路徑；在匹配過程無解時，執(zhí)行Markov概率推理模型，以當(dāng)前移動狀態(tài)為基準(zhǔn)，前向遞推相應(yīng)階次連續(xù)狀態(tài)遷移概率分布，以概率最大值者作為所輸出的步長為1的預(yù)測路徑，通過遞歸循環(huán)過程，以所預(yù)測的目的地位置信息作為終止條件，輸出預(yù)測路徑。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，所述S5中待預(yù)測軌跡片段輸入前要執(zhí)行相應(yīng)的S2中的數(shù)據(jù)處理。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，針對S2中數(shù)據(jù)預(yù)處理與語義解析步驟設(shè)計(jì)了相應(yīng)的動態(tài)監(jiān)控管理與消息產(chǎn)生流程控制。

本發(fā)明提供了一種面向移動軌跡數(shù)據(jù)稀疏性分布的路徑預(yù)測方法，通過歷史軌跡數(shù)據(jù)構(gòu)建城市地圖語義模型以實(shí)現(xiàn)對原始軌跡數(shù)據(jù)的富語義轉(zhuǎn)換與融合，建立歷史移動模式匹配計(jì)算(Pattern Matching Computing)與高階馬爾科夫(Higher Order Markov Model)混合預(yù)測方法，其實(shí)質(zhì)就是構(gòu)建混合、可替換的協(xié)同式預(yù)測模型，一方面充分利用前向模式相似度匹配在時序無約束歷史信息方面的優(yōu)勢，以提升路徑預(yù)測精度；另一方面以可替換的高階馬爾科夫模型構(gòu)建嚴(yán)格時序關(guān)系下的分段軌跡移動狀態(tài)遷移概率矩陣模型，以有效克服數(shù)據(jù)稀疏所帶來的模式匹配失效(No Pattern Matching)問題，同時顯著了提升路徑預(yù)測的準(zhǔn)確性，滿足了移動服務(wù)應(yīng)用對于實(shí)時性、高效性、可預(yù)測性等方面的需求。

附圖說明

圖1為本發(fā)明一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法步驟示意圖；

圖2為本發(fā)明一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法前向模式相似度匹配結(jié)果示意圖；

圖3為本發(fā)明一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法在線預(yù)測軌跡不同已知長度下的路徑預(yù)測結(jié)果；

圖4為本發(fā)明一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法預(yù)測結(jié)果示意圖。

具體實(shí)施方式

一種面向數(shù)據(jù)稀疏環(huán)境下的移動路徑混合預(yù)測方法，包括以下步驟：

S1：獲取移動位置數(shù)據(jù)信息；

所述信息從多源位置感知源(車載GPS、移動智能手機(jī)、PDA等)接收并存儲數(shù)據(jù)。本實(shí)施例中移動位置數(shù)據(jù)信息包括待預(yù)測軌跡片段。

S2：數(shù)據(jù)處理：對數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)語義解析；

如圖1所示：其中對數(shù)據(jù)進(jìn)行預(yù)處理為：對所收集的歷史軌跡數(shù)據(jù)進(jìn)行預(yù)處理操作，具體包括：1)由于定位裝置信號強(qiáng)弱變化以及數(shù)據(jù)傳輸過程中的信道變化所引入的噪聲數(shù)據(jù)，該模塊進(jìn)行噪聲檢測與過濾處理；2)由于移動對象快速移動過程中鏈路連接的不穩(wěn)定性以及數(shù)據(jù)傳輸過程中的丟包現(xiàn)象所導(dǎo)致的數(shù)據(jù)缺失現(xiàn)象，該模塊進(jìn)行等時間間隔的數(shù)據(jù)插值操作；

其中數(shù)據(jù)語義解析包括對數(shù)據(jù)進(jìn)行統(tǒng)一化的語義坐標(biāo)轉(zhuǎn)換操作，分割成完整移動軌跡段，并進(jìn)行標(biāo)注：1)由于移動軌跡采集過程的自動化流程以及標(biāo)注屬性的缺失，該模塊對連續(xù)采集移動軌跡執(zhí)行基于時間間隔閾值及空間間隔距離閾值的Complete完整軌跡段的語義分割操作；2)由于多源移動定位設(shè)備在空間坐標(biāo)體系選取方面的差異性原因(WGS84坐標(biāo)系、GGRS87坐標(biāo)系、GSM坐標(biāo)系等)，該模塊執(zhí)行統(tǒng)一化的語義坐標(biāo)轉(zhuǎn)換操作。

本實(shí)施例中對此步驟S2數(shù)據(jù)處理步驟設(shè)計(jì)了相應(yīng)的動態(tài)監(jiān)控管理與消息產(chǎn)生流程控制，即在移動軌跡數(shù)據(jù)接收及解析過程中，通過流程控制器控制數(shù)據(jù)接收及語義解析過程的流程化操作。

S3：構(gòu)建語義知識庫：對原始軌跡數(shù)據(jù)進(jìn)行富語義轉(zhuǎn)化與融合處理，構(gòu)建語義知識庫；所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理包括：

如圖3所示，隱含地圖語義化分割具體實(shí)現(xiàn)過程為：基于大規(guī)模歷史離線軌跡位置點(diǎn)的空間分布特征計(jì)算其二維密度函數(shù)，結(jié)合二維密度函數(shù)與邊界逼近值集合，實(shí)現(xiàn)對隱含地圖地理空間語義拓?fù)潢P(guān)系的重構(gòu)與區(qū)域級空間面積的二次劃分過程；

路網(wǎng)骨架簡約節(jié)點(diǎn)抽?。号c隱含地圖語義化分割模塊類似，基于大規(guī)模移動軌跡數(shù)據(jù)的空間分布密度特征，抽取帶路網(wǎng)約束下的移動受限軌跡數(shù)據(jù)的隱含位置點(diǎn)，形成路網(wǎng)骨架簡約節(jié)點(diǎn)集合。

路網(wǎng)骨架簡約節(jié)點(diǎn)抽取過程以歷史移動軌跡中的相鄰k個序列的移動轉(zhuǎn)角計(jì)算為依據(jù)，通過基于密度的聚類方法抽取關(guān)鍵路網(wǎng)節(jié)點(diǎn)。

移動模式知識發(fā)現(xiàn)具體為以隱含地圖語義化分割與路網(wǎng)骨架簡約節(jié)點(diǎn)輸出集合為基礎(chǔ)，對原始采集移動軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化過程，進(jìn)而基于序列模式挖掘算法高效提取潛在的移動行為模式集合，為后續(xù)的移動路徑預(yù)測提供知識支撐。

所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理還包括區(qū)域級Pair遷移矩陣，所述的區(qū)域級Pair遷移矩陣是基于隱含地圖語義化分割處理而計(jì)算得到，具體實(shí)現(xiàn)為以移動軌跡數(shù)據(jù)語義解析模塊中的Complete完整軌跡段集合為輸入數(shù)據(jù)，提取其中的Pair點(diǎn)集，進(jìn)而以隱含地圖語義的區(qū)域級空間面積劃分為基礎(chǔ)實(shí)現(xiàn)相應(yīng)Pair點(diǎn)集的富語義化轉(zhuǎn)換過程，利用貝葉斯網(wǎng)絡(luò)構(gòu)建條件概率下的相應(yīng)的Pair遷移概率矩陣塊。其中pair是指從一個地點(diǎn)到另一個地點(diǎn)的對，包含響應(yīng)的起點(diǎn)和終點(diǎn)；區(qū)域級的pair是指從一個區(qū)域開始，到另一個區(qū)域終止。

所述的S3中對原始軌跡數(shù)據(jù)進(jìn)行富語義化轉(zhuǎn)化和融合處理還包括多連續(xù)狀態(tài)遷移概率模型，所述多連續(xù)狀態(tài)遷移概率模型用于對分段軌跡序列轉(zhuǎn)化語義數(shù)據(jù)。

其中語義知識庫是指存儲移動模式知識發(fā)現(xiàn)模塊所發(fā)掘的移動行為模式集合、移動行為關(guān)聯(lián)規(guī)則以及多連續(xù)狀態(tài)遷移概率所輸出的基于Markov概率過程的高階狀態(tài)移動遷移矩陣知識。

S4：構(gòu)建混合在線預(yù)測模型：基于語義知識庫，建立基于前向模式相似度匹配計(jì)算與高階馬爾可夫模型的混合在線預(yù)測模型；

其中前向模式匹配包括元素匹配和距離計(jì)算，用于實(shí)現(xiàn)在待預(yù)測Partial軌跡與所發(fā)掘的移動模式之間基于匹配方向與距離的近似度計(jì)算過程，同時通過近似度閾值比較輸出移動路徑預(yù)測結(jié)果。

其中Markov概率預(yù)測模型：用于實(shí)現(xiàn)待預(yù)測Partial軌跡與所統(tǒng)計(jì)的多連續(xù)狀態(tài)遷移概率矩陣之間的以當(dāng)前移動狀態(tài)為基準(zhǔn)、以高階Markov階數(shù)為步長的概率計(jì)算與預(yù)測過程，同時輸出步長為1的移動路徑預(yù)測結(jié)果。

本實(shí)施例中，優(yōu)先執(zhí)行前向模式匹配預(yù)測過程，最大化的利用Partial中的歷史移動信息，以有效改善輸出預(yù)測路徑的精度，其中前向模式匹配過程通過Partial軌跡片段與所發(fā)掘的移動模式之間的同一元素匹配，及同一匹配元素前向距離計(jì)算逐個比較移動模式與Partial片段之間的相似程度，在匹配過程有解的情況下返回相應(yīng)的后綴序列作為輸出預(yù)測路徑；在匹配過程無解的情況下，執(zhí)行Markov概率推理模型，以當(dāng)前移動狀態(tài)為基準(zhǔn)，前向遞推相應(yīng)階次連續(xù)狀態(tài)遷移概率分布，以概率最大值者作為所輸出的步長為1的預(yù)測路徑，通過遞歸循環(huán)過程，以所推導(dǎo)的Partial目的地位置信息作為終止條件，產(chǎn)生最終的輸出預(yù)測路徑。

在混合預(yù)測模型中，前向模式相似度匹配計(jì)算方法如下：

上式(1)中，degree表示歷史移動模式與在線片段移動軌跡之間的相似度取值，cov為二者的模式匹配長度，dis表示在線查詢軌跡的當(dāng)前位置與歷史模式之間的復(fù)合距離，sup為歷史模式的支持度。式(2)中，e_k為歷史模式中與在線查詢軌跡相匹配的所有元素，e_end表示在線查詢軌跡的當(dāng)前位置。

對上述前向模式相似度匹配過程做簡要闡述，如圖2所示，圓形序列為在線查詢移動軌跡片段，歷史移動模式中分別存在3個可匹配模式，其中三角形表示匹配元素，正方形表示短期預(yù)測路徑，其中候選模式1的值為2，為1。

在高階馬爾科夫計(jì)算模型中，步長為1的下一步潛在位置Rank計(jì)算公式為：

arg Max:score(loc)

其中score(loc)表示候選位置loc的Rank值，d_orig表示位置loc與片段軌跡的起始位置的距離，d_dest為位置loc與片段軌跡推理目的地的距離，pro(loc)為位置loc在所訓(xùn)練的高階Markov模型中的遷移概率值。通過對m個候選位置loc的Rank值計(jì)算，取Rank值最大者為在線查詢片段軌跡的下一步預(yù)測位置。

S5：預(yù)測路徑輸出：在混合在線預(yù)測模型中輸入待預(yù)測軌跡片段進(jìn)行預(yù)測，輸出預(yù)測路徑。

針對移動軌跡數(shù)據(jù)的稀疏性分布特征，以上述混合、互補(bǔ)式的預(yù)測模式實(shí)現(xiàn)對在線查詢軌跡片段的未來移動路徑預(yù)測的目的。對5000條測試軌跡片段分別在已知長度為10％、20％、30％、40％以及50％五種情況下進(jìn)行預(yù)測路徑結(jié)果比較驗(yàn)證，分別與1階Markov模型方法與2階Markov模型方法進(jìn)行比較，本發(fā)明所構(gòu)建的混合預(yù)測模型(Hybrid Moving Route Prediction，HMRP)具有顯著優(yōu)勢，見圖3、圖4。