基于Adaboost-Markov模型的移动用户位置预测方法

论文摘要

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域,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。

论文目录

• 0 引言
• 1 轨迹预处理及模型定义
•   1.1 轨迹划分与兴趣点提取
•   1.2 模型状态定义
• 2 Adaboost-Markov建模
• 3 实验分析
• 4 结语

文章来源

类型: 期刊论文

作者: 杨震,王红军

关键词: 位置预测,兴趣区域,算法,多阶融合模型,权重系数,自适应

来源: 计算机应用 2019年03期

年度: 2019

分类: 信息科技,基础科学

专业: 数学

单位: 国防科技大学电子对抗学院

基金: 国家自然科学基金资助项目(61273302)~~

分类号: O211.62

页码: 675-680

总页数: 6

文件大小: 1184K

下载量: 190