一种基于元路径拥塞模式挖掘的移动对象位置预测方法

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%。