基于蜂窝信令数据的移动轨迹清洗和预测方法研究与实现

发布时间：2017-09-07 09:02

  本文关键词：基于蜂窝信令数据的移动轨迹清洗和预测方法研究与实现

  更多相关文章： 移动通信 蜂窝网定位 轨迹预测 滤波算法

【摘要】：随着移动通信技术的发展和移动设备的普及,关于人们日常移动行为的轨迹数据记录愈发的丰富起来。海量的轨迹数据背后隐藏着关于人及人类社会的有价值的知识模式。各界的学者利用数据挖掘和机器学习的方法对这些数据进行了多种角度的挖掘分析,旨在实现数据到信息再到价值的转化。在轨迹挖据领域中,轨迹预测作为其中的一个重要子课题近来越来越受到广泛关注。如果能够较为准确的对每个用户的未来位置进行预测。从微观上来说,生活服务App可以提前向用户推送未来位置周边的项目,提升用户体验。从宏观上说,我们可以根据历史的多张人口分布热力图,推演未来一段时间的分布热力图,这能够在交通领域,城市管理等发面发挥重要作用。目前,对于轨迹预测研究所普遍采用的数据是GPS定位数据且基于个人的历史轨迹,这个数据集的形态及预测方式可以认为是纵向的。而相对于GPS定位数据,更为丰富的数据是来自于蜂窝通信系统基站定位的数据,虽然这部分定位数据数据质量相对较差,但与GPS数据相比,手机信令数据具有数据量大,覆盖人群广,获取成本低等优点,因此研究基于蜂窝网移动信令数据的移动轨迹清洗和预测方法具有重要的理论和应用价值。论文首先在基站数据清洗方面展开相关研究,以有效地消除因为蜂窝网定位偏差和错误,以及定位数据间隔时间不均匀等非理想因素对用户移动轨迹预处理的不利影响,基于滤波算法使处理后用户轨迹尽量逼近真实的用户移动轨迹。接下来,论文在前人研究的基础上,整合并提出了一个纵向的预测方法及其框架。该方法首先分析用户每日停留区域及其停留时刻特征,计算确定相似度指标,并采用凝聚式的层次聚类算法对用户进行聚类分组,从而在纵向数据与横向经典方法之间建立联系。此外,论文还提出了停留区域扩展算法对停留点的异同性进行判别等。论文针对真实的TDOA基站定位数据的实验与验证结果表示,该方法与稀疏历史数据下的传统纵向方法相比,准确性有所提升。这表明基于横向的基站定位数据的轨迹预测在一定程度上是具有可行性和潜力。
【关键词】：移动通信 蜂窝网定位 轨迹预测 滤波算法
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.5;TP311.13
【目录】：

• 摘要6-7
• Abstract7-10
• 第1章 绪论10-14
• 1.1 研究背景10
• 1.2 国内外研究现状10-12
• 1.3 本文的主要内容和章节安排12-14
• 第2章 轨迹数据预处理方法14-34
• 2.1 原始定位数据的特征14-18
• 2.1.1 定位数据的误差特征14-15
• 2.1.2 定位数据的采样特征15-18
• 2.2 轨迹预处理方法18-29
• 2.2.1 预处理方法总体流程18-19
• 2.2.2 子轨迹分割方法19-20
• 2.2.3 识别并去除离群点方法20-25
• 2.2.4 滤波方法处理固有误差25-29
• 2.3 轨迹预处理实验和指标分析29-33
• 2.3.1 轨迹分割实验29-30
• 2.3.2 轨迹离群点消除实验30-32
• 2.3.3 滤波去噪实验32-33
• 2.4 本章小结33-34
• 第3章 基于序列模式的轨迹预测方法34-53
• 3.1 方法可行性分析34-35
• 3.2 预测方法流程35-47
• 3.2.1 总体框图35
• 3.2.2 轨迹停留点提取35-40
• 3.2.3 地图网格化与轨迹抽象40-43
• 3.2.4 停留点异同性判别43-45
• 3.2.5 用户间相似度定义45-47
• 3.3 预测模型47-52
• 3.3.1 基本原理47-48
• 3.3.2 频繁序列模式挖掘48-50
• 3.3.3 预测树构建与预测50-52
• 3.4 本章小结52-53
• 第4章 算法验证与系统实现53-63
• 4.1 阶段性实验53-58
• 4.1.1 停留点提取实验53-55
• 4.1.2 网格化55-56
• 4.1.3 停留网格区域化56-57
• 4.1.4 用户分组57-58
• 4.2 预测性能实验与分析58-61
• 4.3 系统原型61-62
• 4.4 本章小结62-63
• 结论63-64
• 致谢64-65
• 参考文献65-69
• 攻读硕士学位期间完成的成果69

【相似文献】

中国期刊全文数据库 前10条

1 胡亮;裴莹;初剑峰;袁巍;王文博;樊丽;刘建男;;基于鼠标移动轨迹的真随机数产生方法[J];吉林大学学报(理学版);2011年05期

2 蒋新华;廖律超;邹复民;;基于浮动车移动轨迹的新增道路自动发现算法[J];计算机应用;2013年02期

3 王江锋;闫学东;邵春福;魏丽英;;基于Min-Max方法和移动轨迹融合的车辆无线定位算法[J];汽车工程;2012年05期

4 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年20期

5 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年Z2期

6 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年22期

7 叶春晓;宋为涛;;基于移动轨迹的集装箱码头中控调度研究[J];计算机应用研究;2011年08期

8 熊妍;罗泽;阎保平;;GPS位置历史挖掘和移动轨迹异常检测系统的设计与实现[J];计算机应用研究;2013年09期

9 吴国凤;吴善新;;基于MN的移动轨迹的MAP实时调整策略[J];计算机系统应用;2008年05期

10 周昌令;钱群;赵伊秋;尚群;;校园无线网用户群体的移动行为聚集分析[J];通信学报;2013年S2期

中国硕士学位论文全文数据库 前7条

1 林海标;移动轨迹挖掘算法设计与系统实现[D];华南理工大学;2015年

2 权宇澄;动物移动轨迹数据的挖掘研究[D];华东师范大学;2016年

3 钱琨;基于蜂窝信令数据的移动轨迹清洗和预测方法研究与实现[D];西南交通大学;2016年

4 隋雪芹;基于社会媒体的用户移动轨迹挖掘及其在朋友推荐中的应用研究[D];山东大学;2016年

5 胡伟峰;道路网物体移动模式的研究[D];河海大学;2007年

6 宋为涛;基于移动轨迹的集装箱码头中控调度研究[D];重庆大学;2011年

7 谷小蕾;WSAN激励节点最优移动轨迹设计[D];西南交通大学;2012年

，

本文编号：808609