参与式感知环境下轨迹数据的研究与实现

发布时间：2019-10-13 04:37

【摘要】：随着移动终端的快速发展,智能终端上丰富的传感器设备得到了广泛使用,参与式感知(Participatory Sensing)的概念也随之兴起,在参与式感知环境下,用户即是数据的受益者也是数据的贡献者。在众多数据中,用户轨迹数据最容被采集到,同时也蕴含着丰富的信息。除此之外,基于位置的服务(Location-Based Service,LBS)也越来越普及,更多的用户乐于在日常生活中记录并且分享自己所在的位置。在这样的情形下,分析用户的轨迹数据显得尤为重要,轨迹分析不仅可以挖掘出用户的运动模式、运动规律,还在其他领域扮演着重要的角色,比如社交关系分析、个性化推荐等等。鉴于轨迹信息蕴含的丰富内容,本课题主要在参与式感知环境下基于轨迹数据做出了相关的研究和实现。在参与式感知环境中,为了更好的采集数据,提高数据质量,我们通过分析用户轨迹来预测用户的运动趋势,以便激励更多用户贡献数据。这里,轨迹分析给激励机制提供了很好的辅助作用。此外,用户轨迹和社交关系之间存在着紧密的联系,通过用户的轨迹我们可以分析出用户之间的社交关系,并且,考虑到保护用户位置隐私是参与式感知环境下的热点问题,我们提出了隐私保护下通过轨迹分析社交关系的方法。为了验证算法的可行性,课题中使用了真实的数据集做了实验分析。本论文首先介绍了轨迹分析和参与式感知的相关理论和技术背景,接下来介绍了课题中的主要研究内容。然后,详细介绍了参与式感知平台中轨迹分析模块的设计与实现过程,介绍了平台管理系统的设计方案和实现效果。最后,使用真实数据集对轨迹分析算法进行了实验分析,对系统中各个功能做了测试。
【图文】：

趋势图,预测模型,轨迹,马尔科夫模型

轨迹预测可以分为两个步骤：１）根据历史轨迹数据训练预测模型；逡逑２）根据当前的运动轨迹和之前训练出的预测模型来预测接下来的运动趋势。具体的逡逑预测流程如图２－１所示。在建模阶段，首先收集用户的历史轨迹，根据历史轨迹建立逡逑模型，在预测阶段，根据用户的当前轨迹和之前建立的模型来预测结果。逡逑２．２．２轨迹预测典型模型逡逑在过去的几年中，研宄者们利用一些大数据量的数据集（比如移动电话记录数逡逑据或者ＧＰＳ数据）来挖掘用户的运动行为，预测用户的运动趋势。逡逑目前，有两种主流的方法是目前广泛使用的：逡逑＊基于状态空间模型逡逑这种模型主要用来预测位置，所谓预测位置，即预测的结果为单一的点，这种逡逑预测主要用在对目的地或者对下一位置的预测。最传统的方法是使用马尔科夫模型，逡逑在传统的马尔科夫模型中，规定用户下一时刻的状态只由当前状态来决定。简易的逡逑马尔科夫模型牺牲了大量历史轨迹蕴含的丰富信息。随着轨迹预测领域的发展

示意图,区域,示意图,隐私保护

其中，这个Ｋ的取值反应了该用户的隐私保护等级，具体地说，Ｋ的值越小，逡逑对他真实位置的模糊粒度就越小，该用户所需的隐私保护需求就越小，反之越大。逡逑图２－３显示的是一个Ｋ的值为６的ｃｌｏａｋｉｎｇ区域，在该区域中，红色位置代表用户逡逑的真实位置，为了使其被其他Ｋ－］个用户混淆，在算法中选取了离他最近的Ｋ－１个逡逑用户（用蓝色位置表示），，这６个人共同组成的区域成为一个ｃｌｏａｋｉｎｇ区域。逡逑＠。，一邋＿逡逑＿逦＿逡逑可倍第三方服务器逦应用服务器逡逑ｉｋ逡逑＿确位置逡逑ｉｌｌ逡逑移动终端用户逡逑图２－３隐私保护系统架构图逡逑为了说明可信第三方服务器的作用，我们用图２－４阐述了该统架构。在图中，首逡逑先将从用户移动终端采集到的真实的位置传给可信第三方服务器（Ｔｒｕｓｔｅｄ邋Ｔｈｉｒｄ逡逑Ｐａｒｔｙ邋Ｓｅｒｖｅｒ）进行处理，可信第三方服务器中会执行Ｋ－ａｎｏｎｙｍｉｔｙ邋Ｃｌｏａｋｉｎｇ算法，对逡逑真实位置进行模糊化处理，将每一个真实位置都处理为一个ｃｌｏａｋｉｎｇ区域，之后，逡逑再将处理过后的区域分享给应用服务器端。使用这种方法，可以保证在提供ＬＢＳ服逡逑务的同时保护了用户的位置隐私。逡逑９逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TP311.52

【相似文献】