本發(fā)明屬于移動(dòng)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(dòng)路徑混合預(yù)測(cè)方法。

背景技術(shù)：

目前，隨著移動(dòng)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(dòng)對(duì)象的歷史軌跡數(shù)據(jù)成為可能。通過對(duì)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(jià)值提取與知識(shí)發(fā)現(xiàn)，從而支撐相關(guān)移動(dòng)服務(wù)應(yīng)用，已經(jīng)成為移動(dòng)計(jì)算領(lǐng)域的一個(gè)顯著趨勢(shì)與必然特征，同時(shí)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(dòng)特征與行為模式，構(gòu)建移動(dòng)行為知識(shí)庫(kù)；通過對(duì)移動(dòng)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(duì)移動(dòng)用戶的在線路徑精準(zhǔn)預(yù)測(cè)。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(yíng)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(gè)方面的問題，具體表現(xiàn)為：1)上下文及背景知識(shí)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(dòng)路徑預(yù)測(cè)精度難以奏效；2)感知數(shù)據(jù)價(jià)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(duì)于移動(dòng)路徑預(yù)測(cè)方面的應(yīng)用服務(wù)帶來了巨大的挑戰(zhàn)。因此，針對(duì)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(shí)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(dòng)路徑精準(zhǔn)預(yù)測(cè)模型及方法具有十分重要的現(xiàn)實(shí)意義與應(yīng)用價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明提供一種面向海量移動(dòng)軌跡數(shù)據(jù)稀疏性分布的路徑預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法，包括以下步驟：

S1：獲取移動(dòng)位置數(shù)據(jù)信息；

S2：數(shù)據(jù)處理：對(duì)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(shí)庫(kù)：對(duì)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(shí)庫(kù)；

S4：構(gòu)建混合在線預(yù)測(cè)模型：基于語義知識(shí)庫(kù)，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(cè)模型；

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

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動(dòng)路徑混合預(yù)測(cè)方法，所述S1中移動(dòng)位置數(shù)據(jù)信息包括待預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法，所述的S2中數(shù)據(jù)語義解析包括對(duì)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(dòng)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(dòng)路徑混合預(yù)測(cè)方法，所述的S3中對(duì)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(jiǎn)約節(jié)點(diǎn)抽取、移動(dòng)模式知識(shí)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(dòng)路徑混合預(yù)測(cè)方法，所述的S3中對(duì)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(jí)Pair遷移矩陣，所述的區(qū)域級(jí)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(dòng)路徑混合預(yù)測(cè)方法，所述的S3中對(duì)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(duì)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(dòng)路徑混合預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法，優(yōu)先執(zhí)行前向模式匹配預(yù)測(cè)過程，在匹配過程有解時(shí)輸出預(yù)測(cè)路徑；在匹配過程無解時(shí)，執(zhí)行Markov概率推理模型，以當(dāng)前移動(dòng)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(zhǎng)為1的預(yù)測(cè)路徑，通過遞歸循環(huán)過程，以所預(yù)測(cè)的目的地位置信息作為終止條件，輸出預(yù)測(cè)路徑。

進(jìn)一步地，一種面向數(shù)據(jù)稀疏環(huán)境下的移動(dòng)路徑混合預(yù)測(cè)方法，所述S5中待預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法，針對(duì)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(dòng)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(dòng)軌跡數(shù)據(jù)稀疏性分布的路徑預(yù)測(cè)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(duì)原始軌跡數(shù)據(jù)的富語義轉(zhuǎn)換與融合，建立歷史移動(dòng)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(cè)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(cè)模型，一方面充分利用前向模式相似度匹配在時(shí)序無約束歷史信息方面的優(yōu)勢(shì)，以提升路徑預(yù)測(cè)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(shí)序關(guān)系下的分段軌跡移動(dòng)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(shí)顯著了提升路徑預(yù)測(cè)的準(zhǔn)確性，滿足了移動(dòng)服務(wù)應(yīng)用對(duì)于實(shí)時(shí)性、高效性、可預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法在線預(yù)測(cè)軌跡不同已知長(zhǎng)度下的路徑預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法預(yù)測(cè)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(dòng)路徑混合預(yù)測(cè)方法，包括以下步驟：

S1：獲取移動(dòng)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(dòng)智能手機(jī)、PDA等)接收并存儲(chǔ)數(shù)據(jù)。本實(shí)施例中移動(dòng)位置數(shù)據(jù)信息包括待預(yù)測(cè)軌跡片段。

S2：數(shù)據(jù)處理：對(duì)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(duì)數(shù)據(jù)進(jìn)行預(yù)處理為：對(duì)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(hào)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(cè)與過濾處理；2)由于移動(dòng)對(duì)象快速移動(dòng)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(shí)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(duì)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(dòng)軌跡段，并進(jìn)行標(biāo)注：1)由于移動(dòng)軌跡采集過程的自動(dòng)化流程以及標(biāo)注屬性的缺失，該模塊對(duì)連續(xù)采集移動(dòng)軌跡執(zhí)行基于時(shí)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(dòng)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(duì)此步驟S2數(shù)據(jù)處理步驟設(shè)計(jì)了相應(yīng)的動(dòng)態(tài)監(jiān)控管理與消息產(chǎn)生流程控制，即在移動(dòng)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(shí)庫(kù)：對(duì)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(shí)庫(kù)；所述的S3中對(duì)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(duì)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(jí)空間面積的二次劃分過程；

路網(wǎng)骨架簡(jiǎn)約節(jié)點(diǎn)抽取：與隱含地圖語義化分割模塊類似，基于大規(guī)模移動(dòng)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(dòng)受限軌跡數(shù)據(jù)的隱含位置點(diǎn)，形成路網(wǎng)骨架簡(jiǎn)約節(jié)點(diǎn)集合。

路網(wǎng)骨架簡(jiǎn)約節(jié)點(diǎn)抽取過程以歷史移動(dòng)軌跡中的相鄰k個(gè)序列的移動(dòng)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(dòng)模式知識(shí)發(fā)現(xiàn)具體為以隱含地圖語義化分割與路網(wǎng)骨架簡(jiǎn)約節(jié)點(diǎn)輸出集合為基礎(chǔ)，對(duì)原始采集移動(dòng)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(dòng)行為模式集合，為后續(xù)的移動(dòng)路徑預(yù)測(cè)提供知識(shí)支撐。

所述的S3中對(duì)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(jí)Pair遷移矩陣，所述的區(qū)域級(jí)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(dòng)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(jí)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(gè)地點(diǎn)到另一個(gè)地點(diǎn)的對(duì)，包含響應(yīng)的起點(diǎn)和終點(diǎn)；區(qū)域級(jí)的pair是指從一個(gè)區(qū)域開始，到另一個(gè)區(qū)域終止。

所述的S3中對(duì)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(duì)分段軌跡序列轉(zhuǎn)化語義數(shù)據(jù)。

其中語義知識(shí)庫(kù)是指存儲(chǔ)移動(dòng)模式知識(shí)發(fā)現(xiàn)模塊所發(fā)掘的移動(dòng)行為模式集合、移動(dòng)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(dòng)遷移矩陣知識(shí)。

S4：構(gòu)建混合在線預(yù)測(cè)模型：基于語義知識(shí)庫(kù)，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(cè)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(cè)Partial軌跡與所發(fā)掘的移動(dòng)模式之間基于匹配方向與距離的近似度計(jì)算過程，同時(shí)通過近似度閾值比較輸出移動(dòng)路徑預(yù)測(cè)結(jié)果。

其中Markov概率預(yù)測(cè)模型：用于實(shí)現(xiàn)待預(yù)測(cè)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(dòng)狀態(tài)為基準(zhǔn)、以高階Markov階數(shù)為步長(zhǎng)的概率計(jì)算與預(yù)測(cè)過程，同時(shí)輸出步長(zhǎng)為1的移動(dòng)路徑預(yù)測(cè)結(jié)果。

本實(shí)施例中，優(yōu)先執(zhí)行前向模式匹配預(yù)測(cè)過程，最大化的利用Partial中的歷史移動(dòng)信息，以有效改善輸出預(yù)測(cè)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(dòng)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(gè)比較移動(dòng)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(cè)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(dòng)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(zhǎng)為1的預(yù)測(cè)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(cè)路徑。

在混合預(yù)測(cè)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(dòng)模式與在線片段移動(dòng)軌跡之間的相似度取值，cov為二者的模式匹配長(zhǎng)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(duì)上述前向模式相似度匹配過程做簡(jiǎn)要闡述，如圖2所示，圓形序列為在線查詢移動(dòng)軌跡片段，歷史移動(dòng)模式中分別存在3個(gè)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(cè)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(zhǎng)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(duì)m個(gè)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(cè)位置。

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

針對(duì)移動(dòng)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(cè)模式實(shí)現(xiàn)對(duì)在線查詢軌跡片段的未來移動(dòng)路徑預(yù)測(cè)的目的。對(duì)5000條測(cè)試軌跡片段分別在已知長(zhǎng)度為10％、20％、30％、40％以及50％五種情況下進(jìn)行預(yù)測(cè)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(cè)模型(Hybrid Moving Route Prediction，HMRP)具有顯著優(yōu)勢(shì)，見圖3、圖4。