导读:本文包含了移动对象预测论文开题报告文献综述及选题提纲参考文献，主要关键词:位置预测,GM(1,1)模型,灰色Markov模型
移动对象预测论文文献综述
周冰,李聪,王铃鑫,郑楚翔[1]（2019）在《基于灰色Markov模型的移动对象位置预测研究》一文中研究指出论文针对移动对象位置预测问题,提出了基于灰色Markov模型的预测方法。首先将问题抽象为单变量的灰色系统构建GM(1,1)模型。接着,以一分钟为间隔,提取GeoLife中的部分GPS轨迹数据代入预测模型,并且针对其结果对模型进行检验。最后将Markov模型引入到GM(1,1)模型中再次进行实验,与传统GM(1,1)模型进行对比。实验结果表明,灰色Markov模型相比于灰色模型在移动对象位置预测上误差更小,预测结果更为精确可靠。(本文来源于《计算机与数字工程》期刊2019年11期）
王宁,韩京宇,王尚凌,万杨兰[2]（2019）在《一种基于元路径拥塞模式挖掘的移动对象位置预测方法》一文中研究指出路网上移动对象位置预测是许多位置相关服务的基础。目前移动对象位置预测方法没有充分考虑到轨迹数据中所蕴含的道路拥塞信息,而路网上的道路拥塞状态对移动对象的位置更新会产生巨大影响。提出基于元路径拥塞模式挖掘的方法(Meta-congestion-pattern mining,MCPM)。在离线挖掘阶段,从历史轨迹的频繁路径(元路径)的紧集中挖掘当地的拥塞模式,并对运动模式进行建模,其中采用基于k均值的聚类算法解决数据稀疏性问题。在线预测阶段根据挖掘的拥塞模式和运动模式依概率进行预测。最后通过理论分析和实验验证得出了算法的有效性,与相同条件下的精度预测(WhereNext,WN)方法相比,平均预测准确性提高了近20%,预测时间平均缩短了近50%。(本文来源于《南京航空航天大学学报》期刊2019年05期）
高雅[3]（2019）在《移动对象轨迹数据的位置预测》一文中研究指出随着3G/4G网络的发展和移动互联网的兴起,基于位置的服务(Location-Based Service,LBS)逐渐普及,为人们生活提供了诸多便利。在提供服务的同时,LBS也将具体的用户(如行人、车辆等)抽象为移动对象,采集了大量的移动对象轨迹数据。对这些移动对象轨迹数据进行挖掘,可以为LBS提供用户的兴趣爱好、行为习惯等信息,从而可以提供更精准的服务。在众多移动对象数据挖掘技术中,对LBS服务提升最有帮助的是移动对象轨迹的位置预测,即通过移动对象历史轨迹数据,对未来一个时间点或一段时间内的移动对象位置进行预测。移动对象轨迹数据的位置预测为LBS提供了根据用户行为模式估计用户下一时刻的位置的能力,可以应用于精准推荐、路径规划等服务中。位置预测的准确度直接影响了服务的效果,因此,需要研究更高效、准确的移动对象轨迹位置预测算法。本文的主要贡献总结如下:(1)首先介绍了时空轨迹数据预处理方法并具体地定义了移动对象位置预测问题,然后针对轨迹中位置过多引起的维度灾难问题,提出了一种位置分布式表示模型LDRM,将轨迹位置表示为位置嵌入向量。在不忽略移动对象运动规律的同时,有效降低了位置序列数据的维数,提高了训练模型的效率。同时,LDRM模型也可以运用到移动对象短期位置预测中,并通过实验证明了该模型的准确性。(2)针对较长轨迹中的移动对象位置预测问题,采用基于长短时神经网络LSTM的位置预测模型,结合LDRM位置表示模型,提出了LDRM-LSTM算法,对移动对象轨迹序列进行建模,从而对较长序列中的移动对象位置进行预测。实验结果表明,LDRM-LSTM算法效果远高于原始的LSTM模型及其他经典的位置预测算法。(3)利用地理信息系统的地标信息,在原始的移动对象轨迹中融入语义特征,对用户停留位置的语义进行标注,并提出了网格语义权重模型GSWM。将GSWM模型和LSTM算法结合,提出了网格语义位置预测算法GSWM-LSTM,对移动对象下一个停留点的语义进行预测。实验结果表明,GSWM-LSTM算法在预测较短时间内的语义位置时效果良好,在预测较长时间内的语义位置时效果下降较快,但仍高于基于概率的位置预测算法。(本文来源于《南京航空航天大学》期刊2019-03-01）
李明晓,张恒才,仇培元,程诗奋,陈洁[4]（2018）在《一种基于模糊长短期神经网络的移动对象轨迹预测算法》一文中研究指出预测移动对象未来某时刻位置能够为城市规划与管理、城市公共安全、城市应急指挥等提供重要的决策依据,也可为个性化信息推荐、广告定投等基于位置的服务应用提供技术支持。已有预测算法多采用固定格网剖分,位置相近轨迹点常被划分至不同格网,使得潜在轨迹模式被忽略,降低了预测精度。此外,已有预测模型不能有效学习到长序列轨迹有效信息,造成长期依赖问题。本文提出一种基于模糊长短时记忆神经网络(fuzzy long short term memory network,Fuzzy-LSTM)模型的移动对象轨迹预测算法,引入模糊轨迹概念解决固定格网剖分所导致的尖锐边界问题,并对传统LSTM进行改进,综合利用移动对象历史轨迹邻近性和周期性出行特征,提高移动对象轨迹位置预测精度。最后,采用某市10万用户连续15个工作日的移动通讯信令轨迹数据集对方法进行试验分析。结果表明,本文方法在30min预测周期内的预测平均准确率达到83.98%,较经典的Na6ve-LSTM预测模型和NLPMM预测模型分别提高了4.36%和6.95%。(本文来源于《测绘学报》期刊2018年12期）
宫海彦,耿生玲[5]（2018）在《复杂障碍空间中基于移动对象运动规律的不确定轨迹预测》一文中研究指出现有移动对象的轨迹预测大部分是针对路网空间,然而在实际地理环境中往往存在障碍物,移动对象的运动基本在障碍空间中进行。近年来,已有较多关于路网空间中移动对象轨迹预测的研究以及障碍空间中障碍范围查询、最近邻查询等的研究,但是目前尚没有障碍空间中移动对象不确定轨迹预测的相关研究。为此,提出障碍空间中基于移动对象运动规律的不确定轨迹预测方法。首先,利用障碍物之间的区域关系对障碍空间进行剪枝;其次,提出障碍空间期望距离概念,对障碍空间的轨迹数据进行轨迹聚类,从而挖掘移动对象的热点区域;然后,根据各热点区域间的障碍距离和历史访问习惯得到转移的综合概率,提出基于移动对象运动规律的轨迹预测算法;最后,通过实验验证了算法的准确性和高效性。(本文来源于《计算机科学》期刊2018年S1期）
魏争争[6]（2018）在《基于天气特征的移动对象时空轨迹预测算法研究与应用》一文中研究指出随着移动互联网技术和信息技术的飞速发展,产生了大量的移动对象时空轨迹。在这些轨迹中隐藏了其丰富的运动规律和特点。对移动对象时空轨迹的数据信息进行挖掘,得到移动对象的行为特征,进而可以充分挖掘和利用这些移动对象的时空轨迹的无限价值。目前移动对象时空轨迹的研究已经受到国内外学者的广泛关注。移动对象时空轨迹的预测不管是在科学研究领域还是在现实生活的应用方面都有着重要研究意义,例如通过对汽车的移动轨迹数据进行研究,就可以发现拥堵路段,对城市部分路段进行重新规划,舒缓城市交通,缓解道路拥堵问题;通过对飓风等自然灾害的移动轨迹进行研究,挖掘其运动模式,可以向人们发出预警信息,使人们在灾害来临之前做好防灾工作,把自然灾害带来的损失降到最低;通过研究鸟类迁徙的路线,预测鸟类迁徙的轨迹可以更好的保护鸟类,为鸟类研究者和爱好者提供更多观察鸟类的机会。本文针对具有迁徙行为的移动对象的时空轨迹预测算法及其应用进行了相关研究,本文是通过实际应用的需要来进行研究的,通过挖掘生活中鸟类迁徙的轨迹数据,来完成这类移动对象的时空轨迹预测。主要工作包含以下几个方面:1.数据预处理,根据候鸟轨迹点的特点去除阻碍轨迹研究的长期停留干扰点,提出去除干扰点算法(Delete of Interference Points),简称DIP算法。2.针对一类有流动性,集中性和变化任意形状的时空轨迹点数据,提出DBSCAN算法与STING算法相结合的多级聚类的重要位置提取算法。在对这类时空轨迹点进行聚类前无法确定簇的个数。基于密度(Density)和网格(Grid)的聚类算法均无需预先设定簇的个数,经典的基于密度的DBSCAN算法满足本文聚类的要求,但是DBSCAN的运行时间为O(NlogN),所以不适用于更高维的数据。DBSCAN聚类所得的带状区域无法在聚类结果中显示轨迹的运动趋向。所以选择一种基于密度与网格相结合的聚类算法,是本文研究的最佳选择。STING网格算法是利用网格逐级向下划分的聚类算法,无法再较短的时间内形成较为准确的密集区域边境,但能在聚类过程中,提取密度连通区域并求出连通区域的中心点。因此基于DBSCAN与STING相结合的聚类算法,可以有效的使本文的轨迹点数据进行联通,求出联通区域的中心点坐标,按时间进行连接即可求取出多条迁徙轨迹。3.为探究天气特征对移动对象时空轨迹的影响,研究气温与移动对象时空到达轨迹点的关系,求取一个温度指数(temperature index)。进而将气温当作隐马尔科夫过程中的隐状态转移概率的影响因子,提出一种加入气温影响因子的隐马尔科夫轨迹预测算法(Temperature Hidden Markov Model),简称THMM轨迹预测算法。(本文来源于《山东师范大学》期刊2018-06-09）
高雅,江国华,秦小麟,王钟毓[7]（2019）在《基于LSTM的移动对象位置预测算法》一文中研究指出移动对象位置预测是基于位置服务的重要组成部分。现有的移动对象位置预测算法有基于马尔可夫链的算法、基于隐马尔可夫模型的算法、基于神经网络的算法等,然而这些算法都无法解决移动对象轨迹数据中位置过多带来的维数灾难问题。为了解决这一问题,提出了位置分布式表示模型(location distributed representation model,LDRM)。该模型将难以处理的表示位置的高维one-hot向量降维成包含移动对象运动模式的低维位置嵌入向量。随后,将该模型与基于长短期记忆网络(long short-term memory,LSTM)的位置预测算法结合为LDRM-LSTM移动对象位置预测算法。真实数据集上的实验表明,与现有算法相比LDRM-LSTM算法在预测准确性上有较大的提升。(本文来源于《计算机科学与探索》期刊2019年01期）
张睿霖[8]（2018）在《室内移动对象轨迹预测关键技术研究与实现》一文中研究指出室内移动对象定位技术发展至今,多采用无线互联技术(Wi-Fi),结合移动设备,获取对象位置信息。但是在人口密度大的大型室内环境中,如机场候机楼、火车站、大型购物中心等,可能存在Wi-Fi带宽不够、信号死角等情况,导致难以实时的获取移动对象的位置。因此需要预测移动对象未来可能移动到的位置。本论文依托于四川省科技厅支撑计划项目“民航智慧机场旅客互联应用关键技术研究”(项目编号:2017GZ0034),以室内移动对象轨迹数据为研究对象,开展室内移动对象轨迹预测等相关技术的研究。首先,通过分析室内空间的特点,通过网格化的方法分割室内空间,建立室内空间模型。然后,结合室内空间模型,研究当前室内定位技术生成的原始移动对象轨迹数据,提出了一种对原始轨迹数据预处理的方法,通过该方法可将轨迹数据封装成特定的轨迹数据模型;采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法,提取轨迹数据的特征值,对重要位置点聚类,生成重要位置点簇类库。为验证预处理方法及聚类算法的有效性,本文对UJIIndoor Loc网站公开数据进行预处理及聚类,证明了算法的有效性。第叁,针对经典隐马尔科夫模型(Hidden Markov Model,HMM)模型中出现状态停留导致预测失败的问题,结合生成的重要位置点簇类库与轨迹点的状态停留时间,对经典HMM模型进行改进,建立改进的轨迹位置预测模型,实现移动对象的轨迹预测;通过采用第二步中所得数据对预测模型进行仿真,验证本预测模型的有效性。在此基础上,结合重要位置点簇类库对历史轨迹数据进行压缩,以便精简数据。最后,设计与开发室内位置服务原型系统,实现对移动轨迹数据聚类及预测模型的应用。(本文来源于《电子科技大学》期刊2018-03-01）
章梦杰,邵培南,于铭华[9]（2018）在《多维空间中基于模式的移动对象轨迹预测》一文中研究指出本文在分析了现有轨迹模型基础上,提出了轨迹相似度计算模型以及基于移动对象加速度和轨迹偏转角的移动对象轨迹预测模型,综合计算和预测模型提出了移动对象轨迹预测方法.该方法包括:1)对历史轨迹基于轨迹相似度进行聚类分析,形成训练集聚类,并基于各训练集聚类对目标移动对象的轨迹数据进行轨迹相似度并行计算,找出最大相似度的历史轨迹;2)结合历史轨迹以及移动对象加速度和轨迹偏转角的预测模型进行轨迹预测.经过对测试轨迹集进行实验的结果表明,本方法在误差为500 m以内的预测准确率能达到90%以上,而且预测时间相对较短,具有较高的实用价值.(本文来源于《计算机系统应用》期刊2018年01期）
李雯[10]（2017）在《动态关系下的移动对象位置预测方法研究》一文中研究指出近年来,随着定位技术、无线通信技术以及移动设备的快速发展,大量移动对象能够被有效的定位和追踪,由此产生了越来越多的移动对象轨迹数据,同时极大地促进了基于位置的服务的发展。为了使服务具有前瞻性,使服务提供者能够在对象运动的过程中提前为其将来的活动进行安排和部署,不仅要对移动对象当前活动进行分析,更需要对其未来位置进行预测。移动对象位置预测是研究移动对象行为的重要方向,在移动计算、智能交通管理、移动通信网络优化、智能家居、城市规划、环境监测、犯罪追踪、灾难救援等方面有着重要的实践应用价值和学术价值。本课题以移动对象轨迹数据为研究对象,以移动对象的未来位置预测为主要研究目标,所做的主要工作如下:(1)以往在基于移动对象自身历史轨迹数据进行个性化位置预测时,大多仅关注移动对象兴趣区域序列中的运动模式,忽略对象在不同兴趣区域间转换时的路径信息,造成原始轨迹数据与预测目标间的空间粒度不一致的问题。由于移动对象运动中的动态路径信息,能够帮助在更细的空间粒度下对移动对象行为进行建模。本课题在基于移动对象兴趣区域序列预测的同时,依据移动对象的实时运动路径进行目的地预测,最终使用两种融合策略将两者的预测结果进行整合。其中,在基于运动路径进行预测时,采用回溯策略考虑多种情况下的条件约束,提高原始基于概率统计的目的地预测方法的预测性能。(2)使用个性化位置预测方法时,很难捕获到移动对象全部的运动模式,可能遭遇数据稀疏问题,且移动对象运动规律随时间不断变化,很容易受到其社交朋友行为的影响。以往利用群体行为进行补充预测时,没有考虑到社交关系动态变化情况,且用户间的相似度度量不准确。因此,本课题提出基于动态社交关系的移动对象位置预测方法。使用交叉样本熵来估计移动对象运动序列间的相似度,并通过绝对时间的划分和相对时间的映射,来发现用户在不同时间特征下,社交圈以及社交关系强度的变化。最后,将相似度转化为权重值,用于用户与其朋友的运动数据的融合,从而建立混合位置预测模型。(3)移动对象运动行为是一个复杂的过程,需要大量的运动假设来对移动行为进行建模。不同移动对象可能包含不同的运动假设,很难构建一种通用模型,适用于各种轨迹数据类型、移动对象行为习惯以及不同的应用领域。另外,同一移动对象在不用时刻的运动可能受到不同原因的驱使,同一运动模型很难适应各种情景。由于模型的设计和选择对于系统来说极为重要却难以确定,本课题提出基于多层评估的移动对象位置预测方法,首先,基于训练集上的预测性能在大量基础预测器中自适应的选择一组最优的预测器组合。其次,为每个选择的预测器建立评估模型,估计在不同运动特征下可能获得正确预测结果的概率。最后,将每个预测器的评估概率和预测结果进行加权投票,从而得到最终的预测结果。(本文来源于《中国矿业大学》期刊2017-04-01）
移动对象预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
路网上移动对象位置预测是许多位置相关服务的基础。目前移动对象位置预测方法没有充分考虑到轨迹数据中所蕴含的道路拥塞信息,而路网上的道路拥塞状态对移动对象的位置更新会产生巨大影响。提出基于元路径拥塞模式挖掘的方法(Meta-congestion-pattern mining,MCPM)。在离线挖掘阶段,从历史轨迹的频繁路径(元路径)的紧集中挖掘当地的拥塞模式,并对运动模式进行建模,其中采用基于k均值的聚类算法解决数据稀疏性问题。在线预测阶段根据挖掘的拥塞模式和运动模式依概率进行预测。最后通过理论分析和实验验证得出了算法的有效性,与相同条件下的精度预测(WhereNext,WN)方法相比,平均预测准确性提高了近20%,预测时间平均缩短了近50%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
移动对象预测论文参考文献
[1].周冰,李聪,王铃鑫,郑楚翔.基于灰色Markov模型的移动对象位置预测研究[J].计算机与数字工程.2019
[2].王宁,韩京宇,王尚凌,万杨兰.一种基于元路径拥塞模式挖掘的移动对象位置预测方法[J].南京航空航天大学学报.2019
[3].高雅.移动对象轨迹数据的位置预测[D].南京航空航天大学.2019
[4].李明晓,张恒才,仇培元,程诗奋,陈洁.一种基于模糊长短期神经网络的移动对象轨迹预测算法[J].测绘学报.2018
[5].宫海彦,耿生玲.复杂障碍空间中基于移动对象运动规律的不确定轨迹预测[J].计算机科学.2018
[6].魏争争.基于天气特征的移动对象时空轨迹预测算法研究与应用[D].山东师范大学.2018
[7].高雅,江国华,秦小麟,王钟毓.基于LSTM的移动对象位置预测算法[J].计算机科学与探索.2019
[8].张睿霖.室内移动对象轨迹预测关键技术研究与实现[D].电子科技大学.2018
[9].章梦杰,邵培南,于铭华.多维空间中基于模式的移动对象轨迹预测[J].计算机系统应用.2018
[10].李雯.动态关系下的移动对象位置预测方法研究[D].中国矿业大学.2017
标签：位置预测; GM(1; 1)模型; 灰色Markov模型;