一种基于IMM-GMR模型的社会行为体位置预测方法技术

本发明专利技术公开了一种基于IMM

【技术实现步骤摘要】
一种基于IMM
‑
GMR模型的社会行为体位置预测方法


[0001]本专利技术属于位置数据处理与预测
，尤其涉及一种基于IMM
‑
GMR模型的社会行为体位置预测方法。

技术介绍

[0002]位置信息与人类行为存在较强的关联性，这种关联性使分析者能够在获取用户移动终端历史位置信息的情况下，综合利用各类时空数据挖掘技术推断用户的敏感信息。其中，用户的未来轨迹是一种重要的敏感信息，具有十分重要的用途。在商业方面，它可用于精准的移动广告投放，在社交网络方面可用于基于位置的推荐系统，特别是在网络空间态势认知方面，对社会角色层中的社会行为体分析具有重要意义。
[0003]目前的轨迹预测主要分为单步迭代预测和模型回归预测。单步迭代预测通过频繁模式挖掘预测、线性模型预测、马尔可夫预测、贝叶斯网络预测等方法，将上一步预测结果作为下一步预测输入。基于改进的卡尔曼滤波方法，如扩展卡尔曼滤波方法，通过建立目标移动非线性模型，并进行状态更新，然后根据滤波增益进行量测更新。但该方法存在许多不足：首先，这些通常需要对轨迹信息进行离散化。而离散化意味着连续轨迹部分细节信息的缺失，无形中提高了输入数据的粒度，从而使得精度降低。其次，这些方法一般仅局限于单步预测，在多步预测时，一般通过多次迭代来完成，而迭代过程会使误差迅速积累，从而使得预测误差增加。
[0004]模型回归预测方法既不需要对原始轨迹离散化，又能以较高的精度实现多步预测。该预测方法的基本思路是通过学习用户的历史轨迹，建立能够描述用户移动模式的轨迹模型，在已知当前一段观测序列的前提下，通过该模型实现对一整段轨迹的预测。相关文献通过采用基于原型的聚类方法，利用GMM（Gaussian Mixture Model，高斯混合模型）对训练轨迹数据进行回归分析和轨迹建模。该方法虽然克服了单步迭代预测方法误差易积累的不足，但其在对移动模式的描述上具有一定的局限性。

技术实现思路

[0005]针对上述技术问题，本专利技术公开了一种基于IMM
‑
GMR（IMM, Interacting Multiple Models，交互式多模型，GMR，Gaussian Mixture Regression，高斯混合回归）模型的社会行为体位置预测方法。所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM
‑
GMR模型；其中，构建的所述IMM
‑
GMR模型用于预测所述社会行为体的轨迹。
[0006]在优选实施例中，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为
体的轨迹进行分段；包括：基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合来表征各个区域和对应的判别门限；其中，表示所述区域，表示区域的停留时间判别门限，N表示所述聚类簇的数量；当所述社会行为体的轨迹与区域交叉时，判断所述社会行为体在所述区域的停留时间是否大于所述停留时间判别门限；若是，则所述区域内所述社会行为体的所有坐标位置点均为所述停留点；其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。
[0007]在优选实施例中，在所述步骤S2中，利用基于Traclus的轨迹聚类算法对所述各个轨迹段进行所述聚类分析以得到N个聚类簇，每一个聚类簇表征一种移动模式，并为每一个聚类簇构建对应的GMM模型；
[0008]其中，构建所述对应的GMM模型具体包括，将同一种所述移动模式下的轨迹段分解为二维空间中在方向和方向上的混合高斯过程：
[0009][0010]其中，、分别表示方向和方向高斯混合模型的概率分布，表示第个观测数据属于第个子模型的概率，表示所述第个子模型的高斯分布密度函数，表示混合模型中子高斯模型的数量，、分别表示方向和方向的模型参数设置，表示模型期望，表示模型协方差。
[0011]在优选实施例中，在所述步骤S2中，构建的所述对应的GMM模型具有模型参数，所述模型参数通过EM算法计算得到，包括：选择所述对应的GMM模型的模型参数初始值；在E步，记为第次迭代中模型参数的估计值，在第次迭代中计算；在M步，求使得极大化的模型参数，以确定第次迭代中的模型参数的估计值。
[0012]在优选实施例中，在所述步骤S3中：当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；其中，构建所述GMR模型具体包括，设训练数据集为，测试数据集为，、为输入，、为对应的输出，为关于的回归函数，为的预测值，则有：
[0013][0014]其中，表示混合权重，表示第个GMM模型的估计值。
[0015]在优选实施例中，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM
‑
GMR模型；其中，所述IMM
‑
GMR模型表示为：
[0016][0017]其中，表示第个时刻位置，表示第个非线性状态转移函数，表示预测过程噪声，表示第个时刻的观测值，表示第个非线性测量函数，表示测量过程噪声，设系统模型集为，表示采样时刻的有效模式，在无条件约束下，从到为一阶马尔可夫过程，转移概率记为，预测概率记为，。
[0018]在优选实施例中，构建的所述IMM
‑
GMR模型预测所述社会行为体的轨迹具体包括：
[0019]GMR模型在时刻为系统匹配GMR模型的概率为模型概率，记为，其为基于滤波器输出的残差信息以及各模型先验信息的最大后验概率；
[0020]对各个GMR模型的滤波输出进行加权融合，如下式所示：
[0021][0022]其中，表示输入交互后的状态估计，混合了时刻N个GMR模型的真值，表示GMR模型j在第时刻的模型状态估计，表示所述GMR模型i到所述GMR模型j的预测概率，为误差协方差阵；
[0023]分别对所述各个GMR模型进行回归预测，得到每个GMR模型的时刻的估计值，如下式所示：
[0024][0025]其中，为所述GMR模型i中的预测值，滤波器输出残差表示为下式：
[0026][0027]残差的协方差矩阵如下式所示：
[0028][0029]进行GMR模型匹配时，为高斯白噪声，状态估计残差为0，则其似然函数如下式所示：
[0030][0031]根据每个GMR模型的似然函数，对模型概率进行更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IMM
‑
GMR模型的社会行为体位置预测方法，其特征在于，所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM
‑
GMR模型；其中，构建的所述IMM
‑
GMR模型用于预测所述社会行为体的轨迹。2.根据权利要求1所述的一种基于IMM
‑
GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为体的轨迹进行分段；包括：基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合来表征各个区域和对应的判别门限；其中，表示所述区域，表示区域的停留时间判别门限，N表示所述聚类簇的数量；当所述社会行为体的轨迹与区域交叉时，判断所述社会行为体在所述区域的停留时间是否大于所述停留时间判别门限；若是，则所述区域内所述社会行为体的所有坐标位置点均为所述停留点；其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。3.根据权利要求2所述的一种基于IMM
‑
GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S2中，利用基于Traclus的轨迹聚类算法对所述各个轨迹段进行所述聚类分析以得到N个聚类簇，每一个聚类簇表征一种移动模式，并为每一个聚类簇构建对应的GMM模型；其中，构建所述对应的GMM模型具体包括，将同一种所述移动模式下的轨迹段分解为二维空间中在方向和方向上的混合高斯过程：，、分别表示方向和方向高斯混合模型的概率分布，表示第个观测数据属于第个子模型的概率，表示所述第个子模型的高斯分布密度函数，表示混合模型中子高斯模型的数量，、分别表示方向和方向的模型参数设置，表示模型期望，表示模型协方差。
4.根据权利要求3所述的一种基于IMM
‑
GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S2中，构建的所述对应的GMM模型具有模型参数，所述模型参数通过EM算法计算得到，...

【专利技术属性】
技术研发人员：马春来，马涛，常超，束妮娜，刘春生，许四毛，刘金红，杨方，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：