کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6858662 670356 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Mining moving patterns for predicting next location
ترجمه فارسی عنوان
الگوهای حرکت معدن برای پیش بینی مکان بعدی
کلمات کلیدی
حرکت معدن الگو، پیش بینی موقعیت مکانی عامل زمان،
ترجمه چکیده
پیش بینی موقعیت مکانی برای بسیاری از برنامه های مبتنی بر مکان مانند تبلیغات هدفمند، یک کار ضروری است. در این مقاله، ما سه مدل اساسی برای مقابله با مشکل پیش بینی مکان های بعدی ارائه می دهیم: مدل جهانی مارکوف که از تمامی مسیرهای موجود برای کشف رفتارهای جهانی استفاده می کند، مدل مارکف شخصی که بر روی استخراج الگوهای فردی هر یک از اجسام متحرک تمرکز دارد و مدل مارکف منطقوی که مسیرهای خوشه ای را برای به دست آوردن الگوهای مشابه حرکت می کند. سه مدل با شیوه های گوناگون با رگرسیون خطی ادغام می شوند. سپس ما تلاش می کنیم دقت پیش بینی را با در نظر گرفتن عامل زمان با تمرکز بر خوشه بندی مسیرها در دوره های زمانی مختلف بهبود دهیم و سه روش برای آموزش مدل های زمان آگاه به الگوهای دوره های معدن ارائه دهیم. بنابراین مدل پیشنهادی ما دارای مزایای زیر است: (1) ما هر دو الگوهای حرکت فردی و جمعی در پیش بینی را در نظر می گیریم؛ (2) ما شباهت بین مسیرهای مختلف را در نظر می گیریم؛ (3) ما فاکتور زمان و مدل های ساختمانی را که مناسب هستند را در نظر می گیریم به دوره های مختلف زمان. ما آزمایش های گسترده ای را روی یک مجموعه داده واقعی انجام داده ایم و نتایج نشان می دهد که برتر از مدل های پیشنهادی ما بر روش های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Next location prediction has been an essential task for many location based applications such as targeted advertising. In this paper, we present three basic models to tackle the problem of predicting next locations: the Global Markov Model that uses all available trajectories to discover global behaviors, the Personal Markov Model that focuses on mining the individual patterns of each moving object, and the Regional Markov Model that clusters the trajectories to mine the similar movement patterns. The three models are integrated with linear regression in different ways. We then seek to further improve the accuracy of prediction by considering the time factor, with a focus on clustering the trajectories in different time periods, and present three methods to train the time-aware models to mine periodic patterns. Therefore, our proposed models have the following advantages: (1) we consider both individual and collective movement patterns in making prediction, (2) we consider the similarity between different trajectories, (3) we consider the time factor and build models that are suited to different time periods. We have conducted extensive experiments on a real dataset, and the results demonstrate the superiority of our proposed models over existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Systems - Volume 54, December 2015, Pages 156-168
نویسندگان
, , ,