基于概率后缀树的移动对象轨迹预测

？在移动对象轨迹预测中，针对低阶马尔可夫模型预测准确率不高、高阶模型状态空间膨胀的问题，提出一种基于概率后缀树(pst)的动态自适应变长马尔可夫模型预测方法。首先依时间先后将移动对象的轨迹路径序列化；然后根据移动对象的历史轨迹数据进行学习训练，计算序列上下文的概率特征，建立路径序列的概率后缀树模型，结合当前实际轨迹数据，动态自适应预测将来的位置信息。实验结果表明，该模型在二阶时取得最高的预测精度，随着阶数的增加，预测精度保持在82%左右，能取得较好的预测效果；同时空间复杂度呈指数级减少，大大节省了存储空间。该方法充分利用历史轨迹数据和当前轨迹信息预测未来轨迹，能够提供更加灵活、高效的基于位置服务。