论文部分内容阅读
移动轨迹数据记录着移动对象在真实世界的活动,而这些活动往往体现了该移动对象的意图、喜好和行为模式。通过对轨迹数据的挖掘,可以为用户提供各种形式的增值服务和工具,这就催生了基于位置的服务和智能应用软件的研究与发展。因此,对用户移动轨迹的分析和挖掘成为该领域的核心研究课题之一。由于移动通信环境中产生的MR路测报告具有数据量庞大、信息分布离散、数据格式复杂等特点,而现有对移动轨迹预测的研究大都依赖于完整、连续、静态的用户轨迹数据,使得该类方法不能很好地解决移动通信环境下用户轨迹的预测问题。 本文首先针对密度聚类算法DBSCAN时间性能低下以及DBRS算法聚类精度不足的缺陷,提出了一种在限定区域进行数据取样的密度聚类算法DBLRS,该方法在不增加时间和空间复杂度的基础上,利用参数Eps查找核心点的邻域点和扩展点,并在限定区域(Eps,2Eps)内抽取扩展点进行邻域查找。实验结果表明,限定区域内选取扩展点进行簇的扩充可以降低大簇分裂的概率,提高算法效率与聚类精度。 为了解决移动通信环境下用户轨迹的预测问题,本文以移动MR路测报告作为数据源,提出了一种新的用户移动轨迹表示方法,并利用改进的密度聚类算法DBLRS对用户的历史移动轨迹进行建模。在此研究基础之上,提出了一种基于密度聚类的自适应移动轨迹预测算法ATPDC。该算法由轨迹建模和轨迹更新两个阶段构成,其中,轨迹建模阶段完成对用户历史移动轨迹的分析并构建轨迹预测模型;轨迹更新阶段完成对预测模型的修正。仿真实验结果表明,随着用户数据的增长,ATPDC算法训练得到的轨迹预测模型可以实现增量式动态更新并且具有较高的预测准确度和执行效率,同时也说明移动用户MR路测报告中蕴含着潜在的用户行为模式,利用移动通信数据可以达到用户行为分析的目的。