动态轨迹模式挖掘与位置预测方法(PRED)

“面向位置预测的动态轨迹模式挖掘” 本文研究的核心是针对海量用户轨迹数据的分析和预测，提出了一种名为PRED（Predictive Trajectory Pattern Mining）的动态轨迹模式挖掘方法。该方法旨在通过深入挖掘移动对象的轨迹模式来预测未来的轨迹位置，从而在智能交通、地理信息系统、个性化推荐等领域具有广泛的应用价值。 首先，PRED方法采用改进的模式挖掘模型，对轨迹数据进行处理，提取出频繁出现的轨迹模式，称为T-模式。这一过程涉及到数据预处理和模式发现，能够有效识别出在时间和空间上重复出现的轨迹模式，这些模式反映了移动对象的行为习惯。 接着，为了有效地存储和查询这些T-模式，文章提出了DPTUpdate算法，构建了一个动态模式树（Dynamic Pattern Tree，DPT）。DPT是一种包含时空信息的高效数据结构，它能够在不断变化的数据流中快速更新和检索轨迹模式。这种数据结构的设计考虑了轨迹数据的时间连续性和空间关联性，优化了查询效率。 随后，PRED方法利用Prediction算法来计算移动对象的轨迹匹配度，以确定最佳预测位置。该算法依据已有的T-模式和当前观测到的轨迹片段，通过计算匹配度来预测下一位置。匹配度的计算可能涉及到模式的相似度度量、时间窗口的处理以及不确定性管理等技术。 通过在真实数据集上的实验，PRED方法显示出了强大的动态分析能力。实验结果显示，PRED的平均预测准确率达到了72%，平均覆盖率高达92.1%，相较于现有的其他方法，PRED在预测效果上有了显著的提升。这些实验结果证明了该方法的有效性和实用性。 此外，该研究受到了多项国家自然科学基金、科技重大专项以及江苏省科研项目的资助，表明了该研究的重要性和学术影响力。研究团队成员包括邓佳、王永利和董振江，他们分别在数据流分析、轨迹挖掘和大数据分析等领域有着深厚的背景和研究经验。 这篇论文提出的PRED方法为动态轨迹预测提供了一个新的视角，通过创新的数据结构和预测算法，提高了对大规模轨迹数据的处理和分析能力，对于移动对象的位置预测具有重要的理论和实际意义。