CN107883963B - 一种基于irwqs与模糊特征相结合的位置预测算法 - Google Patents

Abstract

本发明公开了一种基于IRWQS与模糊特征相结合的位置预测算法，首先，将从北斗导航系统获取的三维位置坐标信息进行提取转换后存入数据库，再利用数据库的链式操作，进行在线增量式重复加权队列扫描运算；其次，通过模糊特征匹配算法获取最优的位置坐标，并得出较为准确的下一运动位置坐标点以及运动趋势。

Description

一种基于IRWQS与模糊特征相结合的位置预测算法

技术领域

本发明属于位置预测技术领域，具体说是一种基于IRWQS与模糊特征相结合的位置预测算法。

背景技术

近年来，位置预测技术越来越受到国内外研究学者的广泛关注，其具有高度的研究价值和广阔的应用领域，如交通管理、导航服务，以及位置服务等。利用位置预测方法能够实时动态地预测出用户的运动轨迹，为用户提供更加灵活的推荐服务。但是，现有的位置预测方法仍然还不够成熟。

目前，研究位置预测的方法有很多，常见的有卡尔曼滤波算法，该算法能够有效地去除噪声的影响，得到相对较好的状态估计，进行位置预测。但是，其仅适用于线性系统，且噪声特性偏离高斯分布较大时，与实际预测结果不符，具有一定局限性；马尔科夫算法对过程的状态预测效果良好，但是，要求状态转移相对稳定，且对当前节点的依赖性过强。IPQS算法中增量式方案就能够有效地控制数据的膨胀，其算法是将输入的数据集与关键字进行比对，符合要求的就录入排序的数据集中。基于概念模糊特征集的相似度算法，依据不同语义关系所对应的权值，确定概念间的相似度，形成体现相应的邻接关系矩阵,再确定本体语义关系相似矩阵，得出概念的语义特征集和模糊特征集。但以上方法精确度不足且依赖性强，难以适应当今复杂的地理环境，因此，高效而又精确的位置预测方法就成了众多研究者们最为关心的问题。

发明内容

针对现有技术存在的上述问题，本申请提出一种基于IRWQS与模糊特征相结合的位置预测算法，该方法是基于三维数据建立空间坐标系进行数据分析，即经度、纬度、高度，进行在线增量式重复加权队列扫描运算，再经过模糊特征匹配算法的运算，获取最优的预测位置。

为实现上述目的，本申请的技术方案是：一种基于IRWQS与模糊特征相结合的位置预测算法，具体为：对于历史位置数据来说，设当前位置坐标为M(x_i,y_i,z_i),i∈N⁺，下一历史位置数据共有m个，其下一历史位置坐标表示为N_j(x_i+1,j,y_i+1,j,z_i+1,j),i N⁺,j N⁺[1,m]，N⁺为正整数；

步骤一：通过北斗卫星导航系统的信号接收机获取位置数据，将获取的数据经过格式转换，提取经度、纬度和高度数据存入数据库信息表中；

步骤二：计算得到当前位置下的所有空间向量集

其矩阵化表示形式为：

步骤三：将矩阵化的空间向量集

存入位置信息数据库中；

步骤四：依据数据结构的链式原理对输入的坐标数据进行队列扫描和关联排序，得到链式坐标数据库；

步骤五：将下一历史位置坐标进行加权可得：

N'_j(x_i+1,j,y_i+1,j,z_i+1,j,ω_j),i N⁺,j N⁺[1,m]其中，

ω_j为坐标加权值,j N⁺[1,m]，则下一历史位置数据构成的新矩阵A表示为

步骤六：矩阵A中的三维坐标分别进行最大概率求解以得到准确的概率坐标。

进一步的，对于上述矩阵A的每一行数据都是下一位置坐标集其中的一个坐标，将第一列的数据提取出来，得

x_i+1,1… x_i+1,j … x_i+1,m,i N⁺,j N⁺,j[1,m]

假设m个数据中，同一数据的重复个数有n个，则依据概率公式，可计算出各列中所有重复数据的概率值：

其中，n_x表示矩阵A的第一列中同一数据的重复个数，n_y表示矩阵A的第二列中同一数据的重复个数，n_z表示矩阵A的第三列中同一数据的重复个数。

进一步的，所述的概率公式为

其中，M为数据集的总量，其中重复的数据集为N，P为N的概率值。

进一步的，每列中同一重复数据的权重值，表示为

进一步的，计算位置坐标的权重值，表示为

w′_j＝max w₁,…,w_j,…,w_m

进一步的，将对应权重值w′_j最大的三个坐标数据提取出来进行组合，即可得到一个概率坐标：

P(x_i+1,j,y_i+1,j,z_i+1,j)

本发明由于采用以上技术方案，能够取得如下的技术效果：首先，将从北斗导航系统获取的三维位置坐标信息进行提取转换后存入数据库，再利用数据库的链式操作，进行在线增量式重复加权队列扫描运算；其次，通过模糊特征匹配算法获取最优的位置坐标，并得出较为准确的下一运动位置坐标点以及运动趋势。

附图说明

本发明共有附图7幅：

图1三维坐标空间向量图；

图2为位置预测算法总体原理框图；

图3为预测轨迹示意图；

图4为预测轨迹与实际轨迹对比图；

图5为不考虑地势因素下的算法准确性对比图；

图6为考虑地势因素下的算法准确性对比图；

图7为考虑地势因素下的算法预测时间对比图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

为了验证本发明提出的基于IRWQS与模糊特征的位置预测算法的性能,设计实现了基于Markov模型与轨迹相似度(Markov Model and Trajectory Similarity,MMTS)的移动对象位置预测算法,基于用户移动行为相似性聚类(User Clustering based on MobileBehavior Similarity,UCMBS)的Markov位置预测算法。其中,马尔科夫预测模型是一种应用较为普遍的预测方法,与本发明提出的预测算法的可比性较高，通过与这一算法进行比较,可以充分证明本发明算法的性能优势。本节实验仿真将从两大方面进行比较：预测准确性和预测时间性能。实验数据来源于北斗导航卫星系统，通过接收设备采集了大连市经济技术开发区的区域位置数据，采集区域面积为100平方千米，采集位置点30000个。将从北斗导航卫星系统中获取的真实数据经过相应的转换，提取其三维坐标数据存入数据库信息表中，用于实验仿真。

实验仿真平台环境为Intel(R)Core(TM)i7-3770 CPU，4G内存，1TB硬盘，操作系统为Windows 7，MATLAB版本为R2012a。

实施例1

本实施例提供一种基于IRWQS与模糊特征相结合的位置预测算法,具体步骤如下：

为了更加直观地描述预测轨迹，随机抽取了一个位置点为基准坐标(121°49'10″E,39°06'10″N,50)，其中，50表示的是海拔高度；此外，在该位置点的基础上进行轨迹预测，其预测的轨迹长度为8个位置点，距离大约300米。

步骤一：通过北斗卫星导航系统的信号接收机获取位置数据，将获取的数据经过格式转换，提取经度、纬度和高度数据存入数据库信息表中；

步骤二：计算得当前位置下的所有空间向量集即

其矩阵化表示形式为：

步骤三：将矩阵化的空间向量集

存入位置信息数据库中；

步骤四：依据数据结构的链式原理对输入的坐标数据进行相应的队列扫描和关联排序，得到链式坐标数据库；

步骤五：将下一历史位置坐标进行加权可得：

N'_j(x_i+1,j,y_i+1,j,z_i+1,j,ω_j),i N⁺,j N⁺[1,m]其中，

ω_j为坐标加权值,j N⁺[1,m]，则下一历史位置数据构成的新矩阵A表示为

步骤六：矩阵A中的三维坐标分别进行最大概率求解以得到准确的概率坐标。

下面对本发明中的附图进行介绍：

附图1是三维坐标空间向量图，白色圈点代表当前位置坐标，黑色圈点代表预测位置坐标。

附图2所描述的是IRWQS算法与模糊特征匹配相结合的位置预测算法原理框图，该算法是基于数据库操作的，依据数据结构的链式原理对输入的坐标数据进行相应的队列扫描和关联排序，最终得到链式坐标数据库。

附图3随机抽取了一个位置点为基准坐标(121°49'10″E,39°06'10″N,50)，其中，50表示的是海拔高度；此外，在该位置点的基础上进行轨迹预测，其预测的轨迹长度为8个位置点，距离大约300米。依据的步骤一至步骤六描述的算法原理将预测的位置点可连接成一条轨迹路径。

附图4是为了验证预测轨迹的准确性，将实际轨迹与预测轨迹进行对比图。由附图4可以看出，预测轨迹与实际轨迹存在一定的误差，通过误差的分析比较，可计算出两者之间的预测准确度。

附图5是为了进一步说明本发明算法的准确性，将本发明算法与其它两种算法进行了仿真对比图，并对算法的预测准确度进行了评估分析。在不考虑地势因素的仿真环境下，随着当前位置点的坐标个数增加，本算法的准确性与其它算法相比没有特别明显的提高。这是由于位置的地势数据没有起到作用，仅有经纬度数据占据主导作用。

附图6是在考虑地势因素的仿真环境下，随着位置点的坐标个数增加，本算法的准确性相比其它算法却有较为明显提高。主要原因是本算法考虑到地势因素，依据的是三维坐标数据，而传统所依据的数据是二维数据。因此，在预测精确度方面要远远优越于其它两种算法。

通过附图6可以发现，相比MMTS算法和UCMBS算法,本发明算法的预测准确率平均提高约9％和25％。当前位置点的坐标个数增加到大约80以上时，本发明算法相对比较稳定,准确率维持在85％上下波动。

附图7为考虑地势因素下的算法预测时间对比图，考虑到空间以及算法复杂度的问题，本发明给出了预测时间代价的对比图。对于以往方法并没有给出相应的预测时间，为了进一步证明本发明算法的执行效率，分别计算了各算法的预测时间。如附图7所示。通过附图7可以发现本发明算法的预测时间最少,相比MMTS和UCMBS算法平均减少约23％和12％。原因在于，MMTS算法需要利用阶的马尔科夫预测模型获得预测结果集，相比UCMBS算法中的一阶马尔科夫具有较高的时间和空间复杂度，算法运行时间相对较高。而本发明算法主要是基于数据库的操作，采用增量式重复加权算法，限制了其算法的空间复杂度，又通过双向链表结构获取位置数据，避免了上述两种算法中Markov预测模型的状态转移矩阵的繁琐运算。

以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，具体为：对于历史位置数据来说，设当前位置坐标为M(x_i,y_i,z_i),i∈N⁺，下一历史位置数据共有m个，其下一历史位置坐标表示为N_j(x_i+1,j,y_i+1,j,z_i+1,j),i∈N⁺,j∈N⁺∩[1,m]，N⁺为正整数；

步骤一：通过北斗卫星导航系统的信号接收机获取位置数据，将获取的数据经过格式转换，提取经度、纬度和高度数据存入数据库信息表中；

步骤二：计算得到当前位置下的所有空间向量集

j∈N⁺∩[1,m]其矩阵化表示形式为：

步骤三：将矩阵化的空间向量集存入位置信息数据库中；

步骤四：依据数据结构的链式原理对输入的坐标数据进行队列扫描和关联排序，得到链式坐标数据库；

步骤五：将下一历史位置坐标进行加权可得：

N_j’(x_i+1,j,y_i+1,j,z_i+1,j,w_j),i∈N⁺,j∈N⁺∩[1,m]其中，w_j为坐标加权值，j∈N⁺∩[1,m]，则下一历史位置数据构成的新矩阵A表示为

步骤六：矩阵A中的三维坐标分别进行最大概率求解以得到准确的概率坐标。

2.根据权利要求1所述一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，矩阵A的每一行数据都是下一位置坐标集其中的一个坐标，将第一列的数据提取出来，得

[x_i+1，1，…，x_i+1，j，…，x_i+1，m]，i∈N⁺，j∈N⁺，j∈[1，m]

假设m个数据中，同一数据的重复个数有n个，则依据概率公式，计算出各列中所有重复数据的概率值：

其中，n_x表示矩阵A的第一列中同一数据的重复个数，n_y表示矩阵A的第二列中同一数据的重复个数，n_z表示矩阵A的第三列中同一数据的重复个数。

3.根据权利要求2所述一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，所述的概率公式为

其中，M为数据集的总量，其中重复的数据集为N，P为N的概率值。

4.根据权利要求2所述一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，每列中同一重复数据的权重值，表示为

w_j为坐标加权值，的含义为第一列重复数据的权重值；

的含义为第二列重复数据的权重值；

的含义为第三列重复数据的权重值。

5.根据权利要求4所述一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，计算位置坐标的权重值，表示为

w_j'＝max[w₁,…,w_j,…,w_m]。

6.根据权利要求5所述一种基于IRWQS与模糊特征相结合的位置预测算法，其特征在于，将对应权重值w'_j最大的三个坐标数据提取出来进行组合，即可得到一个概率坐标：

P(x_i+1,j,y_i+1,j,z_i+1,j)。

Images