CN103929804A - 一种基于用户移动规则的位置预测方法 - Google Patents
一种基于用户移动规则的位置预测方法 Download PDFInfo
- Publication number
- CN103929804A CN103929804A CN201410104399.8A CN201410104399A CN103929804A CN 103929804 A CN103929804 A CN 103929804A CN 201410104399 A CN201410104399 A CN 201410104399A CN 103929804 A CN103929804 A CN 103929804A
- Authority
- CN
- China
- Prior art keywords
- user
- mobile
- movement rule
- move mode
- base station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
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
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:
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:
由于δ(X′1)<δ(X′2),X′1是最佳的对齐排列,totDist=3,
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(Suppmin),使用算法PUM-Mining(G,D,Suppmin)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,Suppmin
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.Lk={c|c∈Ck&&c.count≥Suppmin}
10.L=L∪Lk//把Lk添加到L中
//生成长度为k+1的候选模式
11.
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,Lk
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,...lk),L∈Lk{
//对每个长度为k用户移动模式L,获取其成员lk在G中的邻近覆盖区域网格
3.
//在G中查找所有的节点v,其同lk在G中的节点具有有向连接边e。因此,N+(lk)是用户从出发可能到达邻近覆盖区域网格的集合
4.Foreachv∈N+(lk){
//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,...,lk,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,Suppmin)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(Suppmin)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(Lk,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(Supppmin=2),并使用算法PUM- Mining(G,D,Suppmin)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(Suppmin=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: 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: 其中,<5,0,7,0,1>和<0,1>分别表示A2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(Confmin),本实例中,设定为:Confmin=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:
户移动规则<5,0>→<7>,其置信度为:
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(Confmin),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(Confmin=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,...,mi-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,...,αj>→<αj+i,αj+2,...,αk>∈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(αj) 与P的最后一个元素(mi-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]=(αj+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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410104399.8A CN103929804A (zh) | 2014-03-20 | 2014-03-20 | 一种基于用户移动规则的位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410104399.8A CN103929804A (zh) | 2014-03-20 | 2014-03-20 | 一种基于用户移动规则的位置预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103929804A true CN103929804A (zh) | 2014-07-16 |
Family
ID=51147839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410104399.8A Pending CN103929804A (zh) | 2014-03-20 | 2014-03-20 | 一种基于用户移动规则的位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103929804A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464344A (zh) * | 2014-11-07 | 2015-03-25 | 湖北大学 | 一种车辆行驶路径预测方法及系统 |
CN104931041A (zh) * | 2015-05-03 | 2015-09-23 | 西北工业大学 | 一种基于用户轨迹数据的地点序列预测方法 |
CN105184088A (zh) * | 2015-09-22 | 2015-12-23 | 南京邮电大学 | 基于内插网格序列规则的移动对象位置预测方法 |
CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
CN112732750A (zh) * | 2021-04-06 | 2021-04-30 | 北京数智鑫正科技有限公司 | 基于Geohash的移动终端位置数据处理方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120088525A1 (en) * | 2010-10-12 | 2012-04-12 | Kddi Corporation | Estimation of significant places visited by mobile-terminal user based on communications log to base stations |
CN102903038A (zh) * | 2012-09-29 | 2013-01-30 | 威海智联信息网络有限公司 | 基于用户轨迹的小件物流配送方法及系统 |
CN103106280A (zh) * | 2013-02-22 | 2013-05-15 | 浙江大学 | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 |
-
2014
- 2014-03-20 CN CN201410104399.8A patent/CN103929804A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120088525A1 (en) * | 2010-10-12 | 2012-04-12 | Kddi Corporation | Estimation of significant places visited by mobile-terminal user based on communications log to base stations |
CN102903038A (zh) * | 2012-09-29 | 2013-01-30 | 威海智联信息网络有限公司 | 基于用户轨迹的小件物流配送方法及系统 |
CN103106280A (zh) * | 2013-02-22 | 2013-05-15 | 浙江大学 | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 |
Non-Patent Citations (3)
Title |
---|
HAITAO ZHANG, ET AL: "Mining Sequential Patternsfrom Anonymous Datasets for LBS Users Privacies Protection", 《JCIT: JOURNAL OF CONVERGENCE INFORMATION TECHNOLOGY》 * |
张海涛等: "隐私保护数据挖掘研究进展", 《计算机应用研究》 * |
高莎莎: "时空K-匿名集数据的关联规则和序列模式挖掘研究", 《硕士学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464344A (zh) * | 2014-11-07 | 2015-03-25 | 湖北大学 | 一种车辆行驶路径预测方法及系统 |
CN104931041A (zh) * | 2015-05-03 | 2015-09-23 | 西北工业大学 | 一种基于用户轨迹数据的地点序列预测方法 |
CN104931041B (zh) * | 2015-05-03 | 2017-12-01 | 西北工业大学 | 一种基于用户轨迹数据的地点序列预测方法 |
CN105184088A (zh) * | 2015-09-22 | 2015-12-23 | 南京邮电大学 | 基于内插网格序列规则的移动对象位置预测方法 |
CN105184088B (zh) * | 2015-09-22 | 2017-11-07 | 南京邮电大学 | 基于内插网格序列规则的移动对象位置预测方法 |
CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
CN112732750A (zh) * | 2021-04-06 | 2021-04-30 | 北京数智鑫正科技有限公司 | 基于Geohash的移动终端位置数据处理方法和系统 |
CN112732750B (zh) * | 2021-04-06 | 2021-06-22 | 北京数智鑫正科技有限公司 | 基于Geohash的移动终端位置数据处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trasarti et al. | Myway: Location prediction via mobility profiling | |
Kang et al. | A generalized radiation model for human mobility: spatial scale, searching direction and trip constraint | |
CN103929804A (zh) | 一种基于用户移动规则的位置预测方法 | |
Liu et al. | A PSO-based timing-driven Octilinear Steiner tree algorithm for VLSI routing considering bend reduction | |
CN103077604B (zh) | 交通传感器管理方法和系统 | |
Nadembega et al. | A destination prediction model based on historical data, contextual knowledge and spatial conceptual maps | |
Hung et al. | Mining trajectory profiles for discovering user communities | |
CN105183870A (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
Terroso-Sáenz et al. | Nation-wide human mobility prediction based on graph neural networks | |
CN113505310A (zh) | 一种基于时空注意网络的校园用户下一个位置推荐方法 | |
CN103916885A (zh) | 终端时空移动预测方法和装置 | |
CN111699481A (zh) | 减少模型更新引入的错误 | |
Cui et al. | A road-aware neural network for multi-step vehicle trajectory prediction | |
CN104299114A (zh) | 一种基于数据库的地产信息分析系统 | |
CN110309947A (zh) | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 | |
RU2723237C1 (ru) | Способы и устройства построения точной траектории перемещений объектов | |
Kapp et al. | Generative models for synthetic urban mobility data: A systematic literature review | |
CN105095613A (zh) | 一种基于序列数据进行预测的方法及装置 | |
CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
CN104616077A (zh) | 基于Markov链和关联规则的用户业务行为预测方法 | |
CN112257249B (zh) | 基坑工程中基于归并的布置路径方法、装置和电子设备 | |
Mochalov et al. | Functional scheme of the flying sensor networks architecture design | |
CN108234596A (zh) | 航空信息推送方法及装置 | |
Zhao et al. | Practical model with strong interpretability and predictability: An explanatory model for individuals' destination prediction considering personal and crowd travel behavior |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |