Mining moving patterns for predicting next location

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.