CN103974191A - 移动模式预测装置和方法 - Google Patents

Abstract

本发明公开了一种移动模式预测装置及方法，包括：接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID；基于所采集到的时间信息和小区ID生成或更新包括小区ID、进入时刻以及驻留时长的时空特征数据；按时间顺序存储时空特征数据作为时空特征数据序列；以及基于时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。通过基于采集间隔挖掘移动模式中的时间信息，根据本发明实施例的移动模式预测装置和方法能够有效降低历史移动模式数据的存储成本和后续移动模式预测的计算复杂度。

Description

移动模式预测装置和方法

技术领域

本发明涉及移动通信技术，特别涉及针对移动设备的移动模式预测装置和方法。

背景技术

随着移动通信技术和定位技术的迅速发展和广泛应用，人们开始使用各种各样的移动设备(如PDA、移动电话等)，从而产生大量的、动态增长的用户移动数据。在移动计算和无线网络中，移动设备位置预测是一个比较重要的课题，对无线网络各层协议和无线网络服务质量等都有重大影响。

通过移动模式预测，网络和终端均可以获得用户将来的位置信息，根据一定的判决准则(如距离、运动、时间等)实现基于位置的更新和寻呼，从而可以大大减少信令的开销，提高系统的有效容量，使网络能为更多的接入用户提供服务。

例如，在位置管理的切换方面，根据用户的移动模式，在相邻的某个或某几个小区中预留部分资源，并预先建立路由，可以实现快速可靠的切换，从而可显著改善网络的服务质量。

再例如，在推荐服务信息方面，通过移动模式预测获得用户将来的时空信息(包括基站小区序列信息、进入时刻、小区驻留时间)，从而可以为用户推荐各种服务信息，例如即将经过的加油站信息、交通信息、商品广告信息等。

现有的移动模式预测技术主要基于Markov(马尔可夫)链模型。图1示出了移动无线系统的信号小区模型，其中“C”作为无线信号服务小区(cell)，代表基站信号覆盖面积。在用户移动模式预测技术中，假定各个小区的工作区间相互独立。以二阶Markov为例，用户移动模式预测的原理是：给定用户最后移动过的小区序列为(C_t-1,C_t)，假定在T时刻用户将进入新的服务小区，那么用户选择C_n作为下个小区的概率为：

$p(X_{T+1}=c_n)=\frac{N(c_{t-1},c_t,c_n)}{N(c_{t-1},c_t).}$

其中，N(c_t-1,c_t)表示序列(c_t-1，ct)在用户历史数据中出现的次数。

由此推广开来，对于k阶Markov来说，用户选择C_n作为下个小区的概率为：

$p(X_{T+1}=c_n)=\frac{N(c_{t-k+1},c_{t-k+2}\·\·\·\·\·c_t,c_n)}{N(c_{t-k+1},c_{t-k+2}\·\·\·\·\·c_t).}$

如上基于Markov的移动模式预测技术没有考虑时间信息，只适宜预测用户移动路径上的小区序列信息。

然而，由于通常以预定的时间间隔（例如10分钟、0.5小时等）来采集关于用户的移动模式的信息，如果考虑时间信息时，所记录的小区序列信息将严重碎片化，并包括许多连续重复的记录、即存在过多的冗余信息。例如，在图2所示的场景下，小区序列信息将被记录为(1,1….1,2,3,5,9,9…9,5,5...5,4,4)。显然，这势必增加数据存储成本、预测计算复杂度等。

发明内容

有鉴于此，本发明旨在于提供一种移动模式预测装置和方法，以能够降低考虑小区时间信息情况下的预测计算成本。

为了实现上述目的，在第一方面，本发明提出了一种移动模式预测装置，其包括：接收模块，用于接收以预定的时间间隔检测用户当前所在的小区而采集到的表示当前检测时刻的时间信息以及当前所在小区的小区ID，其中所述小区ID能够唯一标识小区；数据预处理模块，用于基于从所述接收模块输入的时间信息和小区ID生成或更新时空特征数据，其中，所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；存储模块，与所述数据预处理模块连接，用于按时间顺序存储从所述数据预处理模块接收到的时空特征数据，作为时空特征数据序列；以及预测模块，与所述数据预处理模块以及所述存储模块连接，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

对于上述移动模式预测装置，在一种可能的实现方式中，所述数据预处理模块包括：存储单元，用于存储所述时空特征数据；以及处理单元，与所述接收模块、所述存储单元以及所述存储模块连接，用于判断从所述接收模块接收到的小区ID与所述存储单元所存储的时空特征数据中的小区ID是否相同，如果判断为相同，则将所述存储单元所存储的时空特征数据中的驻留时长增加一个所述时间间隔，如果判断为不同，则通过将小区ID设置为所接收到的小区ID、将进入时刻设置为所接收到的时间信息、并且将驻留时长设置为0来生成一个新的时空特征数据，将所述存储单元中所存储的时空特征数据发送给所述存储模块，并将该新的时空特征数据存储在所述存储单元。

对于上述移动模式预测装置，在一种可能的实现方式中，所述预测模块包括：驻留时长计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户在特定小区的驻留时长；以及后续小区计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户离开特定小区后要进入的小区。

对于上述移动模式预测装置，在一种可能的实现方式中，所述预测模块还包括：期望长度设置单元，用于设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；以及预测长度计算单元，用于累计所述驻留时长计算单元以及所述后续小区计算单元所预测的时间长度，并在累计结果不超过所述期望预测长度的情况下，使所述驻留时长计算单元和/或所述后续小区计算单元继续操作。

对于上述移动模式预测装置，在一种可能的实现方式中，还包括：数据重构模块，与所述存储模块连接，用于针对所述存储模块存储的时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，并且，在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，所述数据重构模块将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。

在第二方面，本发明提出了一种移动模式预测方法，其包括：接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID；其中，所述小区ID能够唯一标识小区；数据生成步骤，基于所采集到的时间信息和小区ID生成或更新时空特征数据，其中所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；按时间顺序存储所述时空特征数据，作为时空特征数据序列；以及预测步骤，基于所述时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

对于上述移动模式预测方法，在一种可能的实现方式中，所述数据生成步骤包括：判断所采集到的小区ID与最新的时空特征数据中的小区ID是否相同，如果判断为相同，则将所述最新的时空特征数据中的驻留时长增加一个所述时间间隔，如果判断为不同，则通过将小区ID设置为所采集到的小区ID、将进入时刻设置为所采集到的时间信息、并且将驻留时长设置为0来生成一个新的时空特征数据。

对于上述移动模式预测方法，在一种可能的实现方式中，所述预测步骤包括：驻留时长计算步骤，用于基于所述时空特征数据序列，估计用户在特定小区的驻留时长；以及后续小区计算步骤，用于基于所述时空特征数据序列，估计用户离开特定小区后要进入的小区。

对于上述移动模式预测方法，在一种可能的实现方式中，所述预测步骤还包括：设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；累计通过所述驻留时长计算步骤以及所述后续小区计算步骤所预测的时间长度，作为预测长度；以及判断所述预测长度是否不超过所述期望预测长度，并在判断为不超过的情况下继续执行所述驻留时长计算步骤和/或所述后续小区计算步骤。

对于上述移动模式预测方法，在一种可能的实现方式中，还包括：对于所述时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，以及在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。

通过基于采集移动路径信息的预定时间间隔挖掘移动模式中的时间信息，例如进入某个小区的进入时刻以及持续位于某个小区内的驻留时长等，根据本发明实施例的移动模式预测装置和方法能够有效去除按预定时间间隔所采集到的小区序列信息中的冗余信息，从而可大幅降低历史移动模式数据的存储成本和后续移动模式预测的计算复杂度。

根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的说明书附图与说明书一起示出了本发明的示例性实施例、特征和方面，并且用于解释本发明的原理。

图1示出了移动无线系统的信号小区模型示例；

图2示出了移动无线系统的信号小区序列的动态特性示例；

图3示出了根据本发明一实施例的一种移动模式预测装置的结构框图；

图4示出了图3所示的移动模式预测装置中的预测模块的信息流示意图；

图5示出了根据本发明另一实施例的一种移动模式预测装置的结构框图；

图6示出了根据本发明又一实施例的一种移动模式预测装置的结构框图；

图7示出了根据本发明再一实施例的一种移动模式预测装置的结构框图；

图8示出了图7所示的移动模式预测装置中的数据重构模块的结果示意图；

图9示出了根据本发明一实施例的一种移动模式预测方法的流程图；

图10示出了根据本发明另一实施例的一种移动模式预测方法的流程图；

图11示出了根据本发明又一实施例的一种移动模式预测方法的流程图；

图12示出了根据本发明再一实施例的一种移动模式预测方法的流程图；以及

图13示出了根据本发明一实施例的一种移动模式预测设备的结构框图。

具体实施方式

以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有这些具体细节，本发明同样可以实施。在另外一些实例中，对于大家熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

图3示出了根据本发明一实施例的一种移动模式预测装置的结构框图。如图3所示，移动模式预测装置100包括接收模块110、数据预处理模块120、存储模块130以及预测模块140。

如图3所示，接收模块110与数据预处理模块120连接，用于接收采集装置以预定的时间间隔检测用户当前所在的无线信号服务小区（cell）而采集到的表示当前检测时刻的时间信息以及唯一标识用户当前所在小区的小区ID发送至数据预处理模块120，其中小区ID为能够唯一标识某个小区的信息。应能理解，采集装置可以是各种常用的移动设备，例如PDA、移动电话等。

数据预处理模块120与接收模块110、存储模块130以及预测模块140连接，用于基于从接收模块110输入的时间信息和小区ID生成或更新表示用户的移动状态的时空特征数据，并将所述时空特征数据发送至存储模块130以及预测模块140。时空特征数据包括小区ID、进入时刻以及驻留时长，其中：小区ID如上所述用于唯一标识小区，例如可为小区编号；进入时刻是指用户从前一个小区进入到当前小区的时刻；驻留时长是指用户从进入时刻起保持在当前小区内的持续时间。

在一种可能的实现方式中，数据预处理模块120可利用如下格式来记录时空特征数据：

(t,d,c)。

其中，c表示小区ID，t表示进入时刻，d表示驻留时长。

存储模块130与数据预处理模块120以及预测模块140连接，用于以序列的形式存储时空特征数据，并根据数据预处理模块120的输出更新其所存储的时空特征数据序列，以记录用户过往的移动模式。

在一种可能的实现方式中，存储模块130可利用如下格式来存储时空特征数据序列：

(t₁,d₁,c₁l(t₂,d₂,c2),……(t_m,d_m,c_m)。

其中，下标m用于标识用户所经历的小区的序号，(t_m,d_m,c_m)表示用户从进入时刻t_m起位于小区ID为c_m的小区内并且停留了驻留时长

在一种可能的实现方式中，考虑到人们日常的活动范围重复性较大，为了方便后续的处理和应用，存储模块130可按天来维护时空特征数据序列。例如，存储模块130可利用如下格式存储时空特征数据序列：

$(t_1^n,d_1^n,c_1^n),(t_2^n,d_2^n,c_2^n),\·\·\·\·\·\·(t_m^n,d_m^n,c_m^n)$ n=1,2,…。

其中，上标n用于标识该时空特征数据序列记录的是用户第n天的移动模式。

预测模块140与数据预处理模块120以及存储模块130连接，用于从存储模块130所存储的时空特征数据序列和/或数据预处理模块120输出的时空特征数据中，抽取与特定小区ID相关联的所有时空特征数据子序列，作为用于预测包括以下参数中至少一个的依据。所述参数包括：驻留时长估计值，用于表示用户将保留在关注小区的时间长度；以及后续小区ID估计值，用于标识用户离开关注小区后要进入的小区。其中，关注小区为特定小区ID所标识的小区。

图4示出了图3所示的移动模式预测装置300中的预测模块140的信息流示意图。如图4所示，预测模块140可基于记录用户既往的移动模式的历史数据来预测用户未来的移动模式。其中，历史数据包括当天某个时刻之前的时空特征数据序列以及前几天的时空特征数据序列。

在一种可能的实现方式中，假设要预测用户在第N天T时刻后的移动模式，预测模块140的输入信息包括：

前N-1天的时空特征数据序列：

$(t_1^n,d_1^n,),(t_2^n,d_2^n,c_2^n),\·\·\·\·\·\·(t_m^n,d_m^n,c_m^n)$ n=1,2,…N-1；

第N天T时刻前的时空特征数据序列：

$(t_1^N,d_1^N,c_1^N),(t_2^N,d_2^N,c_2^N),\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;(t_q^N,d_q^N,c_q^N)$ $t_q^N<T<t_{q+1}^N.$

并且，预测模块140的输出信息可为第N天T时刻后的时空特征数据序列估计值：

$(t_q^N,d_q^N,c_q^N),(t_{q+1}^N,d_{q+1}^N,c_{q+1}^N),\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;(t_{q+s}^N,d_{q+s}^N).$

通过利用数据预处理模块120基于采集移动路径信息的预定时间间隔挖掘移动模式中的时间信息，例如进入某个小区的进入时刻以及持续位于某个小区内的驻留时长等，根据本发明上述实施例的移动模式预测装置能够有效去除按预定时间间隔所采集到的小区序列信息中的冗余信息，从而可大幅降低历史移动模式数据的存储成本和后续移动模式预测的计算复杂度。

图5示出了根据本发明另一实施例的一种移动模式预测装置的结构框图。图5中与图3标号相同的组件具有相同的功能。图5所示的移动模式预测装置500中的数据预处理模块120可包括处理单元121以及存储单元122。

如图5所示，存储单元122用于存储记录了用户最近移动状态的时空特征数据。处理单元121与接收模块110、存储单元122、存储模块130以及预测模块140连接，用于基于从接收模块110接收到的时间信息和小区ID更新存储单元122中所存储的时空特征数据和/或生成新的时空特征数据，并将更新后的时空特征数据发送至存储模块130以及预测模块140。

在一种可能的实现方式中，处理单元121判断从接收模块110接收到的小区ID与存储单元122所存储的时空特征数据中的小区ID是否相同。

如果判断为相同，则将存储单元122所存储的时空特征数据中的驻留时长增加一个时间间隔，并将更新后的时空特征数据存储在存储单元122中。

如果判断为不同，则基于所接收到的小区ID和时间信息生成一个新的时空特征数据，具体为：将该新的时空特征数据中的小区ID设置为所接收到的小区ID、将进入时刻设置为所接收到的时间信息、并且将驻留时长设置为0。然后，处理单元121将存储单元122中所存储的时空特征数据发送给存储模块130以及预测模块140，并将新生成的时空特征数据存储在存储单元122中。

图6示出了根据本发明又一实施例的一种移动模式预测装置的结构框图。图6中与图3标号相同的组件具有相同的功能。

如图6所示，移动模式预测装置600中的预测模块140可包括驻留时长计算单元141，用于估计用户将保留在关注小区的时间长度、即计算上述驻留时长估计值。

在一种可能的实现方式中，假定关注小区为用户当前所在的小区c_p，以基于二阶Markov为例，详细解释驻留时长计算单元141的操作原理如下。

1、预测当前小区c_p的后续驻留时长

设定关于c_p的最新时空特征数据为(t,d,c_p)、前一个小区为c_q，则驻留时长计算单元141可通过如下步骤来计算用户将继续保留在小区c_p中的后续驻留时长d_r的估计值：

步骤1-a、搜寻出历史数据中c_p的驻留时长大于d的所有子序列c_q,c_p，并将所搜得的子序列中c_p的驻留时长标记为d₁,d₂，...d_k，将c_p的进入时刻标记为t₁,t₂，...t_k；

步骤1-b、设置d₁,d₂，...d_k的权重w₁,w₂，...w_k，例如，可根据非增函数w_i=w(|t-t_k|)分别计算w₁,w₂,..w_k；

步骤1-c、计算c_p的平均驻留时长d_e=f({d₁,d₂，...d_k},{w₁,w₂，...w_k})，其中f表示均值统计函数；

步骤1-d、计算c_p的后续驻留时长估计值d_r＝d_e-d。

在一种可能的应用中，预测模块140还可如图6所示包括期望长度设置单元142，以使得可根据需要预先设定一个期望进行移动模式预测的时间长度、以下称期望预测长度。此外，预测模块140还可如图6所示包括预测长度计算单元143，用以累计所预测的时间长度、以下称预测长度，并在预测长度不超过期望预测长度的情况下继续预测。

例如，假定将期望长度设置单元142设置的期望预测长度标记为L，将预测长度计算单元143累计出的预测长度标记为L_e，在驻留时长计算单元141完成上述1的估计之后，L_e＝d_r。若d_r<L，则需要继续预测用户在离开c_p后将要进入的后续小区c_f。

换言之，如图6所示，预测模块140还可包括后续小区计算单元144，用于估计用户离开关注小区后要进入的小区、即计算上述后续小区ID估计值。

2、预测后续小区c_f

仍以二阶子序列为例，后续小区计算单元144可通过如下步骤来计算c_f估计值，其中c_f的进入时刻t_f＝t+d_r。

步骤2-a、搜寻出历史数据中紧接在c_p之后出现的各小区，并标记为后续小区备选c_x：x＝1,2,…n；

步骤2-b、针对各c_x，通过如下步骤计算在t_f进入c_x的相关度：

步骤2-b-1、搜寻历史数据中所有子序列c_p，c_x，并将所搜得的子序列中c_x的进入时刻标记为t₁，t₂，...t_k；

步骤2-b-2、计算t₁，t₂，...t_k与t_f的相关度r₁,r₂,..r_k，例如，可根据非增函数r_i=r(|t_f-t_i|)分别计算r₁,r₂,...r_k；

步骤2-b-3、计算在t_f进入c_x的相关度Rc_x，例如Rc_x=r₁+r₂+…r_k；

步骤2-c、比较针对各c_x计算出的相关度Rc_x，并将其中最大值所对应的小区确定作为c_f。

3、预测小区c_f的驻留时长d_f

在确定了后续小区c_f后，可假定关注小区为小区c_f、前一个小区为用户当前所在小区c_p，并且驻留时长计算单元141可通过如下步骤来计算小区c_f的驻留时长d_f的估计值。

步骤3-a、搜寻出历史数据中的所有子序列c_p，c_f，并将所搜得的子序列中c_f的驻留时长标记为d₁,d₂，...d_k，将c_f的进入时刻标记为t₁，t₂，...t_k；

步骤3-b、设置d₁,d₂，...d_k的权重w₁,w₂，...w_k，例如，可根据非增函数w_i=w(|t-t_k|)分别计算w₁,w₂,..w_k；

步骤3-c、计算c_f的平均驻留时长d_e=f({d₁,d₂,..d_k}，{w₁,w₂,..w_k})，其中f表示均值统计函数；

步骤3-d、将d_e确定作为c_f的驻留时长估计值、即d_f＝d_e。

4、判断是否要继续预测c_f之后的小区信息

可通过如下步骤来判断是否需要继续进行预测：

步骤4-a、预测长度计算单元143计算已经预测出的时间长度L_e，例如L_e=d_r+d_f；

步骤4-b、比较L与L_e，若L<L_e，则判断为可停止预测，否则判断为需要继续预测。

在判断为需要继续预测的情况下，由驻留时长计算单元141、后续小区计算单元143各自重复执行上述2、3，直至L<L_e。

需要说明的是，尽管以二阶Markov为例解释了预测模块的操作原理如上，但本领域技术人员应能理解，任意其它的概率模型、例如贝叶斯推理也可应用于本发明，并能获得相同的效果。

图7示出了根据本发明再一实施例的一种移动模式预测装置的结构框图。图7中与图3标号相同的组件具有相同的功能。图7所示的移动模式预测装置700还可包括数据重构模块150。

如图7所示，数据重构模块150与存储模块130连接，用于针对存储模块130中存储的时空特征数据序列，基于时空特征数据中的驻留时长进行时空特征数据重构。

在一种可能的实现方式中，数据重构模块150针对存储模块130所存储的时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除。以及，在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，数据重构模块150将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。并且，数据重构模块150将重构后的时空特征数据序列存储在存储模块130中。

通过消除驻留时长在预定阈值以下的时空特征数据，根据本发明上述实施例的移动模式预测装置可进一步降低数据存储成本和预测计算复杂度。

例如，若原始时空特征数据序列(t_n-1,d_n-1,c_n-1)(t_n,d_n,c_n)(t_n+1,d_n+1,c_n+1)中的驻留时长d_n不超过预定阈值（例如0.5小时），则使驻留时长d_n-1延长d_n，并删除时空特征数据(t_n,d_n,c_n)，由此使得该子序列被重构为(t_n-1,d_n-1+d_n,c_n-1)(t_n+1,d_n+1,c_n+1)。此外，如果小区ID c_n+1与小区ID c_n-1相等，则该子序列可进一步重构为(t_n-1,d_n-1+d_n+d_n+1,c_n1)。

需要说明的是，尽管以使d_n-1延长d_n为例解释如上，但本领域技术人员应能理解，使d_n+1延长d_n也可以实现同样的效果。

图8示出了图7所示的移动模式预测装置700中的数据重构模块150的结果示意图。在一种可能的实现方式中，假定小区ID为编号1,2…n，采集移动路径信息的预定时间间隔为0.5小时，参考图8详细解释数据重构模块150的操作原理如下。

在图8所示的场景下，原始采集到的移动模式如实线所示，而经数据重构模块150处理后反映出的移动模式如虚线所示。具言之，表示10~18小时段的原始移动模式的时空特征数据序列可记录为(10.0,2.0,8)(12.0,0.5,6)(12.5,3.0,8)(15.5,0.5,7)(16.0,2.0,6)(18.0,1.0,9)，利用数据重构模块150对该段时空特征数据序列进行处理后，所获得的新的时空特征数据序列可记录为(10.0,5.5,8)(15.5,2.5,6)(18.0,1.0,9)。明显可见，时空特征数据序列大幅缩短，从而可有效降低数据存储成本以及计算复杂度。

图9示出了根据本发明一实施例的一种移动模式预测方法的流程图。如图9所示，移动模式预测方法900包括：

步骤S910，接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID，其中所述小区ID能够唯一标识小区，例如可为小区编号；

步骤S920，基于所采集到的时间信息和小区ID生成或更新时空特征数据，其中所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；

步骤S930，按时间顺序存储所述时空特征数据，作为时空特征数据序列；以及

步骤S940，基于所述时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

对于移动模式预测方法900，时空特征数据记录的是用户的移动状态。在一种可能的实现方式中，可利用如下格式来记录时空特征数据：

(t,d,c)。

其中，c表示小区ID，t表示进入时刻，d表示驻留时长。

相应地，可认为时空特征数据序列记录了用户过往的移动模式。在一种可能的实现方式中，可利用如下格式来存储时空特征数据序列：

(t₁,d₁,c₁),(t₂,d₂,c₂),……(t_m,d_m,c_m)。

其中，下标m用于标识用户所经历的小区的序号，(t_m,d_m,c_m)表示用户从进入时刻t_m起位于小区ID为c_m的小区内并且停留了驻留时长

在一种可能的实现方式中，考虑到人们日常的活动范围重复性较大，为了方便后续的处理和应用，可按天来维护时空特征数据序列。例如，可利用如下格式存储时空特征数据序列：

$(t_1^n,d_1^n,c_1^n),(t_2^n,d_2^n,c_2^n),\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;(t_m^n,d_m^n,c_m^n)$ n=1,2,…。

其中，上标n用于标识该时空特征数据序列记录的是用户第n天的移动模式。

通过基于采集移动路径信息的预定时间间隔挖掘移动模式中的时间信息，例如进入某个小区的进入时刻以及持续位于某个小区内的驻留时长等，根据本发明上述实施例的移动模式预测方法能够有效去除按预定时间间隔所采集到的小区序列信息中的冗余信息，从而可大幅降低历史移动模式数据的存储成本和后续移动模式预测的计算复杂度。

图10示出了根据本发明另一实施例的一种移动模式预测方法的流程图。图10中与图9标号相同的组件具有相同的功能。图10所示的移动模式预测方法1000中的步骤S920可包括：

步骤S921，判断所采集到的小区ID与最新的时空特征数据中的小区ID是否相同，

步骤S922，如果在步骤S921判断为相同，则将所述最新的时空特征数据中的驻留时长增加一个所述时间间隔，

步骤S923，如果判断在步骤S921为不同，则通过将小区ID设置为所采集到的小区ID、将进入时刻设置为所采集到的时间信息、并且将驻留时长设置为0来生成一个新的时空特征数据。

图11示出了根据本发明又一实施例的一种移动模式预测方法的流程图。图11中与图9标号相同的组件具有相同的功能。图11所示的移动模式预测方法1100中的步骤S940可包括：

步骤S941，设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；

步骤S942，基于所述时空特征数据序列，估计用户在特定小区的驻留时长；

步骤S943，累计通过已预测的时间长度，作为预测长度；

步骤S944，判断预测长度是否不超过期望预测长度，并在判断为不超过的情况下继续预测，否则认为可停止预测；以及

步骤S945，基于所述时空特征数据序列，估计用户离开特定小区后要进入的小区。

在一种可能的实现方式中，假定关注小区为用户当前所在的小区c_p，以基于二阶Markov为例，详细解释图11所示的预测步骤的原理如下。

1、执行步骤S942，以预测当前小区c_p的后续驻留时长

设定关于c_p的最新时空特征数据为(t,d,c_p)、前一个小区为c_q，则可通过如下步骤来计算用户将继续保留在小区c_p中的后续驻留时长d_r的估计值：

步骤1-a、搜寻出历史数据中c_p的驻留时长大于d的所有子序列c_q,c_p，并将所搜得的子序列中c_p的驻留时长标记为d₁,d₂，...d_k，将cp的进入时刻标记为t₁,t₂，...t_k；

步骤1-b、设置d₁,d₂，...d_k的权重w₁,w₂，...w_k，例如，可根据非增函数w_i=w(|t-t_k|)分别计算w₁,w₂，...w_k；

步骤1-c、计算c_p的平均驻留时长d_e=f({d₁,d₂，...d_k},{w₁,w₂，...w_k})，

其中f表示均值统计函数；

步骤1-d、计算c_p的后续驻留时长估计值d_r＝d_e-d。

假定将期望预测长度标记为L，将预测长度标记为L_e，在如上完成步骤S942之后，执行步骤S943以使得L_e＝d_r。并随后执行步骤S944，若d_r<L，则需要继续预测用户在离开c_p后将要进入的后续小区c_f，即执行步骤S945。

2、执行步骤S945，以预测后续小区c_f

仍以二阶子序列为例，可通过如下步骤来计算c_f估计值，其中c_f的进入时刻t_f＝t+d_r。

步骤2-a、搜寻出历史数据中紧接在c_p之后出现的各小区，并标记为后续小区备选c_x：x＝1,2,…n；

步骤2-b、针对各c_x，通过如下步骤计算在t_f进入c_x的相关度：

步骤2-b-1、搜寻历史数据中所有子序列c_p,c_x，并将所搜得的子序列中c_x的进入时刻标记为t₁，t₂，...t_k；

步骤2-b-2、计算t₁，t₂，...t_k与tf的相关度r₁,r₂，...r_k，例如，可根据非增函数r_i=r(|t_ft_i|)分别计算r₁,r₂,...r_k；

步骤2-b-3、计算在t_f进入c_x的相关度Rc_x，例如Rc_x=r₁+r₂+…r_k；

步骤2-c、比较针对各c_x计算出的相关度Rc_x，并将其中最大值所对应的小区确定作为c_f。

在如上完成步骤S945之后，再次进入步骤S942，以预测预测小区c_f的驻留时长d_f。

3、执行步骤S942，以预测小区c_f的驻留时长d_f

在确定了后续小区c_f后，可假定关注小区为小区c_f、前一个小区为用户当前所在小区c_p，并且驻留时长计算单元141可通过如下步骤来计算小区c_f的驻留时长d_f的估计值。

步骤3-a、搜寻出历史数据中的所有子序列c_p,c_f，并将所搜得的子序列中c_f的驻留时长标记为d₁,d₂，...d_k，将c_f的进入时刻标记为t₁,t₂，...t_k；

步骤3-b、设置d₁,d₂，...d_k的权重w₁,w₂，...w_k，例如，可根据非增函数wi=w(|t-t_k|)分别计算w₁,w₂,..w_k；

步骤3-c、计算c_f的平均驻留时长d_e=f({d₁,d₂，...d_k},{w₁,w₂，...w_k})，其中f表示均值统计函数；

步骤3-d、将d_e确定作为c_f的驻留时长估计值、即d_f＝d_e。

4、执行步骤S943，以判断是否要继续预测c_f之后的小区信息

可通过如下步骤来判断是否需要继续进行预测：

步骤4-a、预测长度计算单元143计算已经预测出的时间长度L_e，例如L_e=d_r+d_f；

步骤4-b、比较L与L_e，若L<L_e，则判断为可停止预测，否则判断为需要继续预测。

在判断为需要继续预测的情况下，由重复执行上述2、3，直至L<L_e。

需要说明的是，尽管以二阶Markov为例解释了预测原理如上，但本领域技术人员应能理解，任意其它的概率模型、例如贝叶斯推理也可应用于本发明，并能获得相同的效果。

图12示出了根据本发明再一实施例的一种移动模式预测方法的流程图。图12中与图9标号相同的组件具有相同的功能。图12所示的移动模式预测方法1200还可包括：

步骤S1210，对于所述时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，以及

步骤S1220，在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。

通过执行上述步骤S1210、S1220来消除驻留时长在预定阈值以下的时空特征数据，根据本发明上述实施例的移动模式预测方法可进一步降低数据存储成本和预测计算复杂度。

例如，若原始时空特征数据序列(t_n-1,d_n-1,c_n-1)(t_n,d_n,c_n)(t_n+1,d_n+1,c_n+1)中的驻留时长d_n不超过预定阈值（例如0.5小时），则使驻留时长d_n-1延长d_n，并删除时空特征数据(t_n,d_n,c_n)，由此使得该子序列被重构为(t_n-1,d_n-1+d_n,c_n-1)(t_n+1,d_n+1,c_n+1)。此外，如果小区ID c_n+1与小区ID c_n-1相等，则该子序列可进一步重构为(t_n-1,d_n-1+d_n+d_n+1,c_n-1)。明显可见，时空特征数据序列大幅缩短，从而可有效降低数据存储成本以及计算复杂度。

需要说明的是，尽管以使d_n-1延长d_n为例解释如上，但本领域技术人员应能理解，使d_n+1延长d_n也可以实现同样的效果。

图13示出了本发明一实施例的一种移动模式预测设备的结构框图。所述移动模式预测设备1300可以是具备计算能力的主机服务器、个人计算机PC、或者可携带的便携式计算机或终端等。本发明具体实施例并不对计算节点的具体实现做限定。

所述移动模式预测设备1300包括处理器(processor)1310、通信接口(Communications Interface)1320、存储器(memoryarray)1330和总线1340。其中，处理器1310、通信接口1320、以及存储器1330通过总线1340完成相互间的通信。

通信接口1320用于与网元通信，其中网元包括例如虚拟机管理中心、共享存储等。

处理器1310用于执行程序。处理器1310可能是一个中央处理器CPU，或者是专用集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器1330用于存放文件。存储器1330可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1330也可以是存储器阵列。存储器1330还可能被分块，并且所述块可按一定的规则组合成虚拟卷。

在一种可能的实施方式中，上述程序可为包括计算机操作指令的程序代码。该程序具体可用于：

以预定的时间间隔采集表示当前时刻的时间信息以及标识用户当前所在小区的小区ID，其中所述小区ID能够唯一标识小区；

数据生成步骤，基于所采集到的时间信息和小区ID生成或更新时空特征数据，其中所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；

按时间顺序存储所述时空特征数据，作为时空特征数据序列；以及

预测步骤，基于所述时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

本领域普通技术人员可以意识到，本文所描述的实施例中的各示例性单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件形式来实现，取决于技术方案的特定应用和设计约束条件。专业技术人员可以针对特定的应用选择不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

如果以计算机软件的形式来实现所述功能并作为独立的产品销售或使用时，则在一定程度上可认为本发明的技术方案的全部或部分（例如对现有技术做出贡献的部分）是以计算机软件产品的形式体现的。该计算机软件产品通常存储在计算机可读取的存储介质中，包括若干指令用以使得计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各实施例方法的全部或部分步骤。而前述的存储介质包括U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种移动模式预测装置，其特征在于，包括：

接收模块，用于接收以预定的时间间隔检测用户当前所在的小区而采集到的表示当前检测时刻的时间信息以及当前所在小区的小区ID；其中，所述小区ID能够唯一标识小区；

数据预处理模块，用于基于从所述接收模块输入的时间信息和小区ID生成或更新时空特征数据；其中，所述时空特征数据包括小区ID、进入时刻以及驻留时长；所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；

存储模块，与所述数据预处理模块连接，用于按时间顺序存储从所述数据预处理模块接收到的时空特征数据，作为时空特征数据序列；以及

预测模块，与所述数据预处理模块以及所述存储模块连接，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

2.根据权利要求1所述的移动模式预测装置，其特征在于，所述数据预处理模块包括：

存储单元，用于存储所述时空特征数据；以及

处理单元，与所述接收模块、所述存储单元以及所述存储模块连接，用于判断从所述接收模块接收到的小区ID与所述存储单元所存储的时空特征数据中的小区ID是否相同，

如果判断为相同，则将所述存储单元所存储的时空特征数据中的驻留时长增加一个所述时间间隔，

如果判断为不同，则通过将小区ID设置为所接收到的小区ID、将进入时刻设置为所接收到的时间信息、并且将驻留时长设置为0来生成一个新的时空特征数据，将所述存储单元中所存储的时空特征数据发送给所述存储模块，并将该新的时空特征数据存储在所述存储单元。

3.根据权利要求1或2所述的移动模式预测装置，其特征在于，所述预测模块包括：

驻留时长计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户在特定小区的驻留时长；以及

后续小区计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户离开特定小区后要进入的小区。

4.根据权利要求3所述的移动模式预测装置，其特征在于，所述预测模块还包括：

期望长度设置单元，用于设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；以及

预测长度计算单元，用于累计所述驻留时长计算单元以及所述后续小区计算单元所预测的时间长度，并在累计结果不超过所述期望预测长度的情况下，使所述驻留时长计算单元和/或所述后续小区计算单元继续操作。

5.根据权利要求1至4中任一项所述的移动模式预测装置，其特征在于，还包括：

数据重构模块，与所述存储模块连接，用于针对所述存储模块存储的时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，

并且，在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，所述数据重构模块将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。

6.一种移动模式预测方法，其特征在于，包括：

接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID；其中，所述小区ID能够唯一标识小区；

数据生成步骤，基于所采集到的时间信息和小区ID生成或更新时空特征数据，其中所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间；

按时间顺序存储所述时空特征数据，作为时空特征数据序列；以及

预测步骤，基于所述时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。

7.根据权利要求6所述的移动模式预测方法，其特征在于，所述数据生成步骤包括：

判断所采集到的小区ID与最新的时空特征数据中的小区ID是否相同，

如果判断为相同，则将所述最新的时空特征数据中的驻留时长增加一个所述时间间隔，

如果判断为不同，则通过将小区ID设置为所采集到的小区ID、将进入时刻设置为所采集到的时间信息、并且将驻留时长设置为0来生成一个新的时空特征数据。

8.根据权利要求6或7所述的移动模式预测方法，其特征在于，所述预测步骤包括：

驻留时长计算步骤，用于基于所述时空特征数据序列，估计用户在特定小区的驻留时长；以及

后续小区计算步骤，用于基于所述时空特征数据序列，估计用户离开特定小区后要进入的小区。

9.根据权利要求8所述的移动模式预测方法，其特征在于，所述预测步骤还包括：

设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；

累计通过所述驻留时长计算步骤以及所述后续小区计算步骤所预测的时间长度，作为预测长度；以及

判断所述预测长度是否不超过所述期望预测长度，并在判断为不超过的情况下继续执行所述驻留时长计算步骤和/或所述后续小区计算步骤。

10.根据权利要求6至9中任一项所述的移动模式预测方法，其特征在于，还包括：

对于所述时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，以及

在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。