基于密度聚類的用戶軌跡預(yù)測(cè)算法研究.pdf

1、移動(dòng)軌跡數(shù)據(jù)記錄著移動(dòng)對(duì)象在真實(shí)世界的活動(dòng),而這些活動(dòng)往往體現(xiàn)了該移動(dòng)對(duì)象的意圖、喜好和行為模式。通過(guò)對(duì)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(wù)和工具,這就催生了基于位置的服務(wù)和智能應(yīng)用軟件的研究與發(fā)展。因此,對(duì)用戶移動(dòng)軌跡的分析和挖掘成為該領(lǐng)域的核心研究課題之一。由于移動(dòng)通信環(huán)境中產(chǎn)生的MR路測(cè)報(bào)告具有數(shù)據(jù)量龐大、信息分布離散、數(shù)據(jù)格式復(fù)雜等特點(diǎn),而現(xiàn)有對(duì)移動(dòng)軌跡預(yù)測(cè)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(dòng)通信環(huán)境下用戶軌跡的預(yù)測(cè)問(wèn)題。
　　本文首先針對(duì)密度聚類算法DBSCAN時(shí)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(jìn)行數(shù)據(jù)取樣的密度聚類算法DBLRS,該方法在不增加時(shí)間和空間復(fù)雜度的基礎(chǔ)上,利用參數(shù)Eps查找核心點(diǎn)的鄰域點(diǎn)和擴(kuò)展點(diǎn),并在限定區(qū)域(Eps,2Eps)內(nèi)抽取擴(kuò)展點(diǎn)進(jìn)行鄰域查找。實(shí)驗(yàn)結(jié)果表明,限定區(qū)域內(nèi)選取擴(kuò)展點(diǎn)進(jìn)行簇的擴(kuò)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(dòng)通信環(huán)境下用戶軌跡的預(yù)測(cè)問(wèn)題,本文以移動(dòng)MR路測(cè)報(bào)告作為數(shù)據(jù)源,提出了一種新的用戶移動(dòng)軌跡表示方法,并利用改進(jìn)的密度聚類算法DBLRS對(duì)用戶的歷史移動(dòng)軌跡進(jìn)行建模。在此研究基礎(chǔ)之上,提出了一種基于密度聚類的自適應(yīng)移動(dòng)軌跡預(yù)測(cè)算法ATPDC。該算法由軌跡建模和軌跡更新兩個(gè)階段構(gòu)成,其中,軌跡建模階段完成對(duì)用戶歷史移動(dòng)軌跡的分析并構(gòu)建軌跡預(yù)測(cè)模型;軌跡更新階段完成對(duì)預(yù)測(cè)模型的修正。仿真實(shí)驗(yàn)結(jié)果表明,隨著用戶數(shù)據(jù)的增長(zhǎng),A