基于密度聚類的用戶軌跡預測算法研究.pdf

1、移動軌跡數(shù)據(jù)記錄著移動對象在真實世界的活動,而這些活動往往體現(xiàn)了該移動對象的意圖、喜好和行為模式。通過對軌跡數(shù)據(jù)的挖掘,可以為用戶提供各種形式的增值服務和工具,這就催生了基于位置的服務和智能應用軟件的研究與發(fā)展。因此,對用戶移動軌跡的分析和挖掘成為該領域的核心研究課題之一。由于移動通信環(huán)境中產(chǎn)生的MR路測報告具有數(shù)據(jù)量龐大、信息分布離散、數(shù)據(jù)格式復雜等特點,而現(xiàn)有對移動軌跡預測的研究大都依賴于完整、連續(xù)、靜態(tài)的用戶軌跡數(shù)據(jù),使得該類方法

2、不能很好地解決移動通信環(huán)境下用戶軌跡的預測問題。
　　本文首先針對密度聚類算法DBSCAN時間性能低下以及DBRS算法聚類精度不足的缺陷,提出了一種在限定區(qū)域進行數(shù)據(jù)取樣的密度聚類算法DBLRS,該方法在不增加時間和空間復雜度的基礎上,利用參數(shù)Eps查找核心點的鄰域點和擴展點,并在限定區(qū)域(Eps,2Eps)內(nèi)抽取擴展點進行鄰域查找。實驗結(jié)果表明,限定區(qū)域內(nèi)選取擴展點進行簇的擴充可以降低大簇分裂的概率,提高算法效率與聚類精度。

3、r>　　為了解決移動通信環(huán)境下用戶軌跡的預測問題,本文以移動MR路測報告作為數(shù)據(jù)源,提出了一種新的用戶移動軌跡表示方法,并利用改進的密度聚類算法DBLRS對用戶的歷史移動軌跡進行建模。在此研究基礎之上,提出了一種基于密度聚類的自適應移動軌跡預測算法ATPDC。該算法由軌跡建模和軌跡更新兩個階段構(gòu)成,其中,軌跡建模階段完成對用戶歷史移動軌跡的分析并構(gòu)建軌跡預測模型;軌跡更新階段完成對預測模型的修正。仿真實驗結(jié)果表明,隨著用戶數(shù)據(jù)的增長,A