مروری بر پیش بینی موقعیت بعدی با استفاده از داده کاوی و فراابتکاری

به دلیل استفاده زیاد از تلفن های هوشمند و سایر دستگاه های مجهز بهGPS ، محققان به راحتی به داده های حرکتی قابل توجهی دسترسی دارند. بسیاری از تکنیک های موجود، مکان بعدی کاربران را بر اساس ردیابی های حرکتی آنها پیشبینی میکنند که فقط مختصات جغرافیایی را در قالب داده های مکانی-زمانی شامل میشود. این اثر تحرک خام دارای اطلاعات پنهانی است که به عنوان زمینه مکان شناخته می شود. اطلاعات متنی هر مکان به معنای نام آن، زمان صرف شده در آنجا، فعالیت مرتبط، زمان بازدید ترجیحی و بسیاری از پارامترهای مشابه است. توسعه دادن اثرتحرک خام با چنین اطلاعات زمینه ای ارزش بیشتری به آن و حس بیشتری به کاربردهای آن میافزاید. مدل پیشنهادی توسعه دهنده جغرافیایی، زمینه ای و رفتاری مسیرهای خام را انجام میدهد. همچنین با استفاده از رویکرد فرا ابتکاری، برچسب مربوطه را به هر مکان شناسایی شده به طور خودکار اختصاص می دهد. این مقاله یک مدل CANLoc را برای انجام جمع آوری داده ها، توسعه دهنده مسیر و پیشبینی مکان پیشنهاد میکند. عملکرد مدل پیشنهادی با استفاده از دو مجموعه داده تایید میشود GeoLife: وIndia-Mobi ، که بهبود قابل توجهی را در دقت پیشبینی مکان نشان میدهد