CN103929804A - 一种基于用户移动规则的位置预测方法 - Google Patents

Abstract

本发明提出了一种基于用户移动规则的位置预测方法，属于时空数据的挖掘与预测的技术研究领域。该方法针对移动通信系统中的移动用户，进行以基台覆盖范围网格为单元的位置预测，技术方案包括3个阶段：从图的遍历中挖掘用户移动模式、从用户移动模式生成用户移动规则、基于用户移动规则的位置预测。该方法可以有效解决移动用户位置预测的快速响应与高精度，保证移动通信系统为移动用户高效分配系统资源。

Description

一种基于用户移动规则的位置预测方法

技术领域

本发明提出了一种基于用户移动规则的位置预测方法，属于时空数据的挖掘与预测的技术研究领域。 

背景技术

随着计算机技术和通信技术的发展，移动通信系统日益普及。目前，以3G、4G为主的移动通信系统，具有服务用户庞大及数据服务类型多样性(例如：视频、声音、图像等)的特点。为保障服务的质量，需要对移动通信系统中的移动用户信息进行更加有效的管理。移动用户的位置信息存储、更新和预测是移动通信系统管理的主要内容。其中，移动用户的位置预测可以有效地用于系统资源的时空分配，以提高移动通信系统的资源利用率，并降低移动用户在基台覆盖范围网格之间切换时产生的系统延迟及掉线。 

目前，研究移动通信系统中移动用户位置预测的方法主要有移动运动预测方法，全局移动性模型和局部移动性模型相结合的方法，以及基于行为策略的方法。移动运动预测方法将用户的移动行为建模成由基本模式(圆型、直线型等)构成的重复模型，缺点是对用户的任意性移动极其敏感，随着用户移动的随意性增强，移动运动预测方法的性能呈现直线下降。全局移动性模型和局部移动性模型相结合的方法，分别建立用户在基台覆盖范围网格间和基台覆盖范围网格内的移动模型，并基于移动用户的运动轨迹与移动模型的匹配，对移动用户的位置进行预测。但是全局移动性模型和局部移动性模型相结合的方法并没有给出移动模型建立的具体过程。基于行为策略方法从长期累积的用户运动日志中，挖掘出每个用户的运动行为，并以此为每个时间区域的用户设计更好的分页区域。但基于行为策略方法并未真正考虑对用户移动位置的预测问题。 

发明内容

本发明提出了一种基于用户移动规则的位置预测方法，可以有效解决移动用户位置预测的快速响应与高精度，保证移动通信系统为移动用户高效分配系统资源。 

本发明为解决其技术问题采用如下技术方案： 

一种基于用户移动规则的位置预测方法，针对移动通信系统中的移动用户，进行以基台覆盖范围网格为单元的位置预测，具体步骤如下： 

第一阶段：挖掘用户移动模式 

步骤1)将研究的移动通信系统中的所有基台覆盖范围网格，转换到有方向的、无权重的图 结构中进行存储表达； 

步骤2)收集以基台覆盖范围网格为单元的所有用户移动路径数据，检查每条用户移动路径中的连续网格元素是否空间临近，并在序列数据库中存储； 

步骤3)设定挖掘用户移动模式的支持度阈值，从数据库中挖掘出长度逐级增加的用户移动模式集合，其中，使用增量支持度对候选模式进行支持度计数、使用支持度阈值从候选模式获取用户移动模式、使用空间临近性搜索从长度为k的用户移动模式得到长度为k+1的候选模式； 

第二阶段：生成用户移动规则 

步骤4)设定挖掘用户移动规则的置信度阈值； 

步骤5)选择长度大于1的所有用户移动模式，生成一系列的用户移动规则； 

步骤6)扫描序列数据库中的用户移动路径数据，并对生成的系列用户移动规则，进行置信度的统计计算； 

步骤7)按照设定的置信度阈值，得到满足条件的用户移动规则； 

第三阶段：预测移动用户位置 

步骤8)获取用于预测移动用户位置的、当前的用户移动路径； 

步骤9)设定预测移动用户下一步可能到达的基台覆盖范围网格的数量； 

步骤10)对用户的未来位置进行预测，其中包括获取匹配的用户移动规则，以及基于匹配的用户移动规则与设定的基台覆盖范围网格的数量生成最终的预测结果。 

本发明的有益效果如下： 

(1)快速响应：充分利用移动用户在移动通信系统中基台覆盖范围网格之间进行运动时，用户移动路径的连续构成元素，也即基台覆盖范围网格具有空间临近的特点，设计的利用空间临近搜索、逐级增长挖掘用户移动模式的算法，可以大大减少算法执行的时间复杂度，从而有助提高位置预测的响应速度。 

(2)高精度：用户在连续的基台覆盖范围网格之间运动产生的用户移动路径，通常与用户移动模式具有不同程度的匹配。因此，用户移动路径对用户移动模式的支持度不能采用简单的0或1的度量方法。本发明通过定义度量用户移动路径与用户移动模式相似度的得分函数，获取用户移动路径与用户移动模式的最佳匹配方法，从而设计了一种更加合理的度量用户移动路径对用户移动模式支持程度的计算方法。本方法设计的这种新的支持度计算方法，可以提高挖掘用户移动规则的真实度，并最终提高移动用户位置预测的准确性。 

附图说明

图1是一个基台包括的9个覆盖范围网格的图形表达，其中M₀～M₈依次是9个覆盖范围网格的编号。 

图2是覆盖范围网格对应的图结构，其中0～8分别是图1中的覆盖范围网格M₀～M₈对应节点的编号。 

图3是以覆盖范围网格为基元的一条用户移动路径，其中M₀～M₈依次是9个覆盖范围网格的编号，A表示用户路径<7，0，5，0，7>先后经过编号分别为：M₇，M₀，M₅，M₀，M₇的覆盖范围网格。 

图4是从多个用户移动路径中挖掘一条用户移动模式，其中M₀～M₈依次是9个覆盖范围网格的编号，B表示从用户移动路径挖掘出的用户移动模式<5，0，7>，遵循该模式的用户移动路径一定会先后经过编号为：M₅，M₀，M₇的覆盖范围网格。 

图5是一条用户移动规则在基台覆盖范围网格中图形表达，其中M₀～M₈依次是9个覆盖范围网格的编号，C基于用户移动模式产生用户移动规则，遵循该规则的用户当其先后经过编号为M₅，M₀的覆盖范围网格，接下来将按照规则置信度确定的概率到达编号为M₇的覆盖范围网格。 

图6是基于一条用户移动规则对移动用户位置的预测，其中M₀～M₈依次是9个覆盖范围网格的编号，D表示用户移动路径<1，2，3，0>，其先后经过编号分别为：M₁，M₂，M₃，M₀的覆盖范围网格，E表示用户移动规则<5，0>→<7>，基于该规则对具有移动路径<1，2，3，0>的用户位置预测结果是：编号为M₇的覆盖范围网格。 

具体实施方式

下面结合附图对本发明创造做进一步详细说明。 

首先给出几个基本的定义： 

定义1：如果x和y都是单独的字符或者空格，δ(x，y)表示对齐x和y后的得分函数，公式定义如下： 

定义2：如果S是一字符串，|S|表示S的长度，S[i]代表字符串S中的第i个字符，且第一个字符串是S[1]而不是S[0]。 

定义3：给定A＝<1，2，...，n>表示一条移动用户在运动时产生的以基台覆盖范围网格为单元的户移动路径(UPM：User Path based Mesh)，B＝<1，2，...，m>表示包含在A里的一个用户移动模式(PUM：Pattern of User Mobility)，其中，<1，2，...，n>与<1，2，...，m>分别是以覆盖范围网格编号为单元的两个字符序列，n和m为大于0的自然数，X′是把字符串A和B转换成字符串A和B′的一个对齐排列，且转换满足以下条件：(1)|A′|＝|B′|；(2)分别从A′和B′中去除空格后就剩下A和B。 

定义4：对于满足定义3的一个对齐排列X′，其对齐得分函数的定义公式： 

其中k、m分别是B′中第一个和最后一个非空格字符的索引号。 

由定义4可知，排列X′的对齐得分值实际上就是B′中第一个和最后一个非空格字符之间错误匹配字符的个数。因此，最佳的对齐排列X′应具有最小的对齐得分值，我们将该最小得分称为totDist。 

定义5：用户移动路径A对用户移动模式的增量支持度的定义公式： 

例如，对于用户移动路径A＝<3，4，0，1，6，5，8，5>和用户移动路径B＝<4，5>，存在将A、B对齐的两种排列方式： 

$X_1^{\&prime;}=\left\{\begin{array}{c}{A}^{\&prime;}=<\mathrm{3,4,0,1,6,5,8,5}>\\ B^{\&prime;}=<\_,4,\_,\_,\_,5,\_,\_>\end{array}\right.{,X}_2^{\&prime;}=\left\{\begin{array}{c}{A}^{\&prime;}=<\mathrm{3,4,0,1,6,5,8,5}>\\ B^{\&prime;}=<\_,4,\_,\_,\_,\_,\_,5>\end{array}\right.$

其中，<3，4，0，1，6，5，8，5>和<4，5>分别表示A和B先后经过的覆盖范围网格的编号字符序列，“—”表示对齐排列中使用的空格字符。 

X′₁和X′₂的对齐得分的计算过程分别如下： 

$\begin{array}{c}\mathrm{\&delta;}\left(X_1^{\&prime;}\right)=\underset{i-1}{\overset{5}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}\left(A^{\&prime;}\right[i],B^{\&prime;}[i\left]\right)\\ =\mathrm{\&delta;}\left(A^{\&prime;}\right[1],B^{\&prime;}[1\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[2],B^{\&prime;}[2\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[3],B^{\&prime;}[3\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[4],B^{\&prime;}[4\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[5],B^{\&prime;}[5\left]\right)\\ \mathrm{\&delta;}\left(\mathrm{4,4}\right)+\mathrm{\&delta;}(0,\_)+\mathrm{\&delta;}(1,\_)+\mathrm{\&delta;}(6,\_)+\mathrm{\&delta;}(5,5)\\ =0+1+1+1+0\\ =3\\ \end{array}$

$\begin{array}{c}\mathrm{\&delta;}\left(X_2^{\&prime;}\right)=\underset{i-1}{\overset{7}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}\left(A^{\&prime;}\right[i],B^{\&prime;}[i\left]\right)\\ =\mathrm{\&delta;}\left(A^{\&prime;}\right[1],B^{\&prime;}[1\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[2],B^{\&prime;}[2\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[3],B^{\&prime;}[3\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[4],B^{\&prime;}[4\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[5],B^{\&prime;}[5\left]\right)\\ \mathrm{\&delta;}\left(A^{\&prime;}\right[6],B^{\&prime;}[6\left]\right)+\mathrm{\&delta;}\left(A^{\&prime;}\right[7],B^{\&prime;}[7\left]\right)\\ \mathrm{\&delta;}(m_4,m_4)+\mathrm{\&delta;}(m_0,\_)+\mathrm{\&delta;}(m_1,\_)+\mathrm{\&delta;}(m_0,\_)+\mathrm{\&delta;}(m_6,\_)+\mathrm{\&delta;}(m_5,\_)+\mathrm{\&delta;}(m_8,\_)+\mathrm{\&delta;}(m_5,m_5)\\ =0+1+1+1+1+0\\ =5\end{array}$

由于δ(X′₁)<δ(X′₂)，X′₁是最佳的对齐排列，totDist＝3， 

$\mathrm{Supp}\ln c(A,B)=\frac{1}{1+\mathrm{totDist}}=\frac{1}{1+3}=0.25.$

定义6：D是存储所有用户移动路径的数据库，B是数据库D中包含的一个用户移动模式，则数据库D对B的支持度(SUPP)定义为： 

第一阶段：从图的遍历中挖掘用户移动模式 

步骤1)将研究的移动通信系统中的所有基台覆盖范围网格，转换成以有方向性的、无权重的图结构G＝<V，E>存储表达的数据。 

本实例中，将图1所示的某一移动通信系统中一个基台9个覆盖范围网格，转换成图2所示的图结构。 

步骤2)收集以基台覆盖范围网格为单元的所有用户移动路径数据，检查每条用户移动路径中的连续网格元素是否空间临近，并在序列数据库D中存储。 

本实例中，检查表1中的所有用户移动路径，并确定每条用户移动路径中的连续网格元素均是空间临近(图3给出了一条以覆盖范围网格为基元的用户移动路径)。 

表1 

步骤3)设定挖掘用户移动模式的支持度阈值(Supp_min)，使用算法PUM-Mining(G，D，Supp_min)从序列数据库D中挖掘出长度逐级增加的用户移动模式集合，算法设计如下： 

PUM-Mining() 

输入：存储所有用户移动路径的数据库，D 

所有基台覆盖范围网格对应的图结构，G＝<V，E>，V是G中所有节点集合，E是连接G中所有节点V的有向边的集合 

挖掘用户移动模式的支持度阈值，Supp_min

输出：所有的用户移动模式集合，L 

1.C₁←长度为1的候选模式(CAND) 

2.k＝1 

3.//用户移动模式集合，初始值设置为空 

4.{ 

5.Foreach UPM α∈D{ 

//c是长度为k的候选模式，同时也是用户移动路径α的子序列 

6.

7.Foreach c∈C{c.count＝c.count+s.Supplnc}//使c的支持度递增 

8.} 

//得到长度为k的用户移动模式 

9.L_k＝{c|c∈C_k&&c.count≥Supp_min} 

10.L＝L∪L_k//把L_k添加到L中 

//生成长度为k+1的候选模式 

11. $C_{k+1}\&LeftArrow;\mathrm{Cand}-\mathrm{generation}(L_k,G),\&ForAll;c\&Element;C_{k+1}$

12.c.count＝0 

13.k＝k+1 

14.} 

15.ReturnL 

CAND-Generation() 

输入：长度为k的用户移动模式，L_k

所有基台覆盖范围网格对应的图结构，G＝<V，E>，V是G中所有节点集合，E是连接G中所有节点V的有向边的集合 

输出：长度为k+1的候选模式集合，Candidates 

1.//候选模式集合，初始值设置为空 

2.ForeachL＝(l₁，l₂，...l_k)，L∈L_k{ 

//对每个长度为k用户移动模式L，获取其成员l_k在G中的邻近覆盖区域网格 

3. $N^{+}\left(l_k\right)=\left\{v\right|v\&Element;V,e\&Element;E,\&Exists;e(l_k,v)\}$

//在G中查找所有的节点v，其同l_k在G中的节点具有有向连接边e。因此，N₊(l_k)是用户从出发可能到达邻近覆盖区域网格的集合 

4.Foreachv∈N⁺(l_k){ 

//对满足条件的所有节点v，将其添加为模式L的最后一个元素，从而生成相应的候选模式 

5.C′＝(l₁，l₂，...，l_k，v) 

//将C′添加到候选模式集合Candidates中 

6.Candidates←Candidates∪ C′ 

7.} 

8.} 

9.ReturnCandidates 

其中，算法PUM-Mining(G，D，Supp_min)中代码5--8行利用增量支持度，对候选模式进行支持度计数(对应定义5、定义6)；代码9--10行利用候选模式的支持度计数(c.count)与设定的支持度阈值(Supp_min)的比较，从候选模式集合中得到用户移动模式集合；代码11行内嵌的算法CAND-Generation(L_k，G)，该算法通过使用空间临近性搜索从长度为k的用户移动模式得到长度为(k+1)的候选模式。 

本实例中，设定挖掘用户移动模式的支持度阈值(Suppp_min＝2)，并使用算法PUM- Mining(G，D，Supp_min)从表2中挖掘出长度逐级增加的用户移动模式集合。具体执行过程如下： 

将图2中所有节点(0--8)看作长度为1的候选模式。扫描表1中的所有用户移动路径，进行候选模式支持度的计数计算(由于C₁中所有的候选模式长度都是1，因此对于所有包含候选模式的用户移动路径，其与候选模式的对齐得分都为0，其对候选模式的支持度均为 )，并得到所有候选模式在表1中的所有数据的支持度，结果如表2左列所示。最后，根据设定的支持度阈值(Supp_min＝2)得到长度为1的用户移动模式集合L₁，结果如表2右列所示。 

表2 

对L₁中的每条用户移动模式，首先，分别取其最后一个元素(此时，所有的用户移动模式中只包括一个元素，分别为0、1、2、3、5、7)，并在图2中查找与其直接连接的节点。例如，对于元素0，在图2中与其直接连接的节点分别为1、2、3、5、7、8。 

其次，将查找到的节点附加到对应用户移动模式的最后一个元素，从而生成相应的长度为2的候选模式集合C₂。例如，对于元素0，其生成的长度为2的候选模式集合为：<0，1>、<0，2>、<0，3>、<0，5>、<0，7>、<0，8>)。 

再次，重新扫描表1中的数据，对生成的候选模式集合C₂中的每条候选模式进行支持度计数计算。 

例如，对于候选模式B<0，1>，包含该候选模式的用户移动路径有两条A₁<2，3，0，1>、A₂<5，0，7，0，1>。 

候选模式B<0，1>与A₁<2，3，，１>的对齐排列方式只有一种： $X_1^{\&prime;}=\left\{\begin{array}{c}{A}_1^{\&prime;}=<\mathrm{2,3,0,1}>\\ B^{\&prime;}=<\_,\_,\mathrm{0,1}>\end{array}\right.,$ 其中，<2，3，0，1>和<0，1>分别表示A₁和B先后经过的覆盖范围网格的编号字符序列，“—，，表示对齐排列中使用的空格字符。X′₁的对齐得分是0，A₁<2，3，0，1>对候选模式B<0，1>的支持度为1。 

候选模式B<0，1>与A₂<5，0，7，0；1>的对齐排列方式有两种：  $X_1^{\&prime;}=\left\{\begin{array}{c}{A}^{\&prime;}=<5,0,7,0,1,>\\ B^{\&prime;}=<\_,\_,\_,0,1>\end{array}\right.{,X}_2^{\&prime;}=\left\{\begin{array}{c}{A}^{\&prime;}=<\mathrm{5,0,7,0,1}>\\ B^{\&prime;}=<\_,0,\_,\_,5>\end{array}\right.$ 其中，<5，0，７，0，1>和<0，1>分别表示Ａ_２和B先后经过的覆盖范围网格的编号字符序列，“—”表示对齐排列中使用的空格字符。 

Ｘ′_１和Ｘ′₂的对齐得分分别是0和2，totDist＝0，A₂<5，0，7，0，1>对候选模式B<０，１>的支持度为1。 

因此，候选模式B<0，1>在数据库中的支持度为2。 

表3左列是计算得到的所有长度为2的候选模式集合C₂及其支持度。 

最后，同样根据设定的支持度阈值得到长度为2的用户移动模式集合L₂，结果如表3右列所示。 

表3 

同样，对L₂中的每条用户移动模式，执行候选模式生成的运算、支持度计数计算以及与支持度阈值的比较，可以分别得到长度为3的候选模式集合C₃(如表4左列所示)以及长度为3的户移动模式集合L₃(如表4右列所示)。 

表4 

对L₃中的每条用户移动模式，执行候选模式生成的运算、支持度计数计算，发现所有长度为4的候选模式的支持度均为0，均低于设定的支持度阈值(如表5所示)。因此，停 止生成长度为4的用户移动模式。 

表5 

根据上述4步运算的结果得到长度分别为1，2，3的用户移动模式集合及对应的支持度(如表6所示)，其中，用户移动模式：<5，0，7>，在图1的覆盖范围网格的图形表达如图4所示。 

表6 

第二阶段：从用户移动模式生成用户移动规则 

步骤4)设定挖掘用户移动规则(RUM：Rule of User Mobility)的置信度阈值(Conf_min)，本实例中，设定为：Conf_min＝50％。 

步骤5)选择长度大于1的所有用户移动模式，生成一系列的用户移动规则。具体的生成方法如下为： 

给定一个用户移动模式M＝<1，2，...，k>，k>1，得到系列的用户移动规则： 

<1>→<2，...，k>， 

<1，2>→<3，...，k>， …， 

<1，2，...，k-1>→<k>。 

其中，<1，2，...，k>分别表示用户移动模式M先后经过的覆盖范围网格的编号字符序列，箭头(→)之前的部分称作规则的头部(head)，之后的部分称作规则的尾部(tail)。 

本实例中，从表6中选择长度大于1的用户移动模式，生成一系列的用户移动规则。 

步骤6)扫描序列数据库D中的用户移动路径数据，对生成的系列用户移动规则，进行置信度的统计计算。用户移动规则R：<1，2，...，i-1>→<i，i+1，...，k>的置信度计算公式如下： 

其中，<1，2，...，i-1>、<1，2，...，k>分别是规则R的头部元素(head)，以及规则R的全部元素，先后经过的覆盖范围网格的编号字符序列。 

本实例中，扫描表1中的用户移动路径数据，按照公式5对生成的系列用户移动规则，进行置信度的统计计算。 

例如，户移动规则<5>→<0>，其置信度为： 

$\mathrm{Conf}(<5>\&RightArrow;<0>)=\frac{\mathrm{Supp}(<\mathrm{5,0}>)}{\mathrm{Supp}(<5>)}\&times;100\%\frac{2.5}{5}\&times;100\%=50\%$

户移动规则<5，0>→<7>，其置信度为： 

$\mathrm{Conf}(<5,0>\&RightArrow;<7>)=\frac{\mathrm{Supp}(<\mathrm{5,0,7}>)}{\mathrm{Supp}(<\mathrm{5,0}>)}\&times;100\%\frac{2}{2.5}\&times;100\%=80\%$

所有可能的用户移动规则及置信度，如表7所示。 

表7 

步骤7)按照设定的置信度阈值(Conf_min)，逐一比较生成用户移动规则的置信度，从而得到满足条件的用户移动规则集合R。 

本实例中，按照设定的置信度阈值(Ｃonf_min＝50％)，得到最终的用户移动规则如表8所示。用户移动规则<5，0>→<7>，在图1的覆盖范围网格的图形表达如图5所示，其中的实线代表规则的头部，虚线代表规则的尾部。 

表8 

第三阶段：基于用户移动规则的位置预测 

步骤8)获取用于预测移动用户位置的、当前的用户移动路径P。 

本实例中，设定P＝<1，2，3，0>。 

步骤9)设定预测移动用户下一步可能到达的基台覆盖范围网格的数量(m)。 

本实例中，设定m＝1。 

步骤10)利用算法Mob-Prediction(P，R，m)对移动用户的未来位置进行预测，算法设计如下： 

Mob-Prediction() 

输入：用户当前的移动轨迹，P＝<m₁，m₂，...，m_i-1> 

用户移动规则集合，R 

预测用户下一步可能到基台覆盖范围网格的数量，m 

输出：预测到达的基台覆盖范围网格集合，PMeshs 

1.//初始结果设置为空 

2.k＝1 

//检查R中的所有规则 

3.Foreachr：<α₁，α₂，...，α_j>→<α_j+i，α_j+2，...，α_k>∈R{ 

//找出匹配规则的集合：如果规则的头部包含于P中，且规则的头部的最后一个元素(α_j) 与P的最后一个元素(m_i-1)(即用户当前所在的网格)重合，则该规则为匹配规则。 

4.{ 

//把匹配规则的尾部的第一个元素，以及匹配规则的置信度与支持度的和(同时考虑度量规则有效性的两个指标：Supp，Conf)保存到数组变量中。 

TupleArray[k]＝(α_j+1，r.Conf+r.Supp) 

k＝k+1 

5.} 

6.} 

//按照置信度与支持度的和，对数组变量进行降序 

7.TupleArray←sort(TupleArray) 

8.index＝0 

9.while(index<m&&index<TupleArrayLength){ 

//从数组变量中选择前m个元素 

10.PMeshs←PMeshs∪ TupleArray[index] 

11.index＝index+1 

12.} 

13.Return PMeshs 

其中，算法Mob-Prediction(P，R，m)中代码3--6行，利用用户移动路径P与用户移动规则的匹配运算获取系列的匹配规则；代码9行，按照匹配规则的支持度、置信度，这两个衡量规则有效型的指标进行规则排序；代码11--14行，从排序后的匹配规则中选择前m个结果；代码15行，返回最终的规则结果集合PMeshs，其中包含的基台覆盖范围网格即为预测的结果。 

本实例中，利用算法Mob-Prediction(P，R，m)对移动用户的位置进行预测的具体执行过程如下： 

在表8中查找匹配的用户移动规则：被P包含且规则的头部的最后一个元素与P的最后一个元素(0)重合的用户移动规则。结果是：<0>→<1>，<0>→<7>，<5，0>→<7>。 

将匹配的用户移动规则的支持度与置信度相加，并按照该值进行降序排序，结果如表9所示。 

表9 

根据设定m＝1，选取规则<5，0>→<7>对用户的用户下一步将到达的覆盖区域网格进行预测，预测结果是编号为M₇的覆盖区域网格，如图6所示。 

Claims (1)

1.一种基于用户移动规则的位置预测方法，其特征在于针对移动通信系统中的移动用户，进行以基台覆盖范围网格为单元的位置预测,具体步骤如下：

第一阶段：挖掘用户移动模式

步骤1）将研究的移动通信系统中的所有基台覆盖范围网格，转换到有方向的、无权重的图结构中进行存储表达；

步骤2）收集以基台覆盖范围网格为单元的所有用户移动路径数据，检查每条用户移动路径中的连续网格元素是否空间临近，并在序列数据库中存储；

步骤3）设定挖掘用户移动模式的支持度阈值，从数据库中挖掘出长度逐级增加的用户移动模式集合，其中，使用增量支持度对候选模式进行支持度计数、使用支持度阈值从候选模式获取用户移动模式、使用空间临近性搜索从长度为k的用户移动模式得到长度为k+1的候选模式；

第二阶段：生成用户移动规则

步骤4）设定挖掘用户移动规则的置信度阈值；

步骤5）选择长度大于1的所有用户移动模式，生成一系列的用户移动规则；

步骤6）扫描序列数据库中的用户移动路径数据，并对生成的系列用户移动规则，进行置信度的统计计算；

步骤7）按照设定的置信度阈值，得到满足条件的用户移动规则；

第三阶段：预测移动用户位置

步骤8）获取用于预测移动用户位置的、当前的用户移动路径;

步骤9）设定预测移动用户下一步可能到达的基台覆盖范围网格的数量；

步骤10）对用户的未来位置进行预测，其中包括获取匹配的用户移动规则，以及基于匹配的用户移动规则与设定的基台覆盖范围网格的数量生成最终的预测结果。