基于模糊—粗糙集的移动对象K近邻预测

【摘要】： 移动对象未来趋势及其近邻预测查询技术由于更适合在交通调度、基于位置服务、天气预报、智能导航等领域的应用,并且在智能交通系统、地理信息系统、军事中有着广泛的应用前景,而得到了广泛的关注。通过在移动对象上安装定位设备,便能够有效记录存储移动对象的运动状态,然后根据移动对象当前的运动特性对其未来进行各方面的预测。由于自身及外界的诸多因素,对象的运动状态会不断地发生变化,从而预测过程中就会有很多不确定性出现。现在有许多研究致力于移动对象及其k近邻预测中不确定性的处理,具体的包括时间不确定性和空间不确定性。本文主要研究的是基于移动对象未来趋势的空间不确定性。 实现近邻预测查询的关键技术由空间数据索引技术和基于索引结构的最近邻查询算法两部分组成。相比较而言,TPR树在索引的空间、索引方法分割数据还是分割空间以及索引结构是否必须进行周期性的重建等方面具有其它几种索引结构无法企及的优势,TP查询不仅可以找到查询点当前的近邻,同时还包括了结果的有效期以及在有效期后将发生的变化。所以,本文的移动对象近邻预测不确定性分析研究将基于TPR树和TP近邻查询算法。之后,借用模糊—粗糙集理论将传统方法得到的结果进行分析比对,即: 1.首先,针对移动对象预测位置的不确定性具体表现为它的真实位置在预测位置周边区域的模糊隶属度,分析了已有方法得出的预测位置的模糊性; 2.再用传统方法求得基于预测位置的扩展k+m近邻集; 3.针对预测位置的模糊不确定性必然会累及传统近邻查询得到的k近邻的精确度,同时会引起k近邻集合基于“k近邻”不分明关系的粗糙不确定性,所以借助近邻点的模糊—粗糙隶属函数来最终确定所求k近邻集合中的各个点。 最后,通过时空数据产生器产生相应的动态数据源,对移动点用TPR树建立索引结构,用引入影响时间的TP近邻预测查询算法,再对基于模糊—粗糙集的移动对象最近邻预测算法进行精确度分析。尽管计算量有些增大,但数值分析可以表明我们的方法明显提高了移动对象k近邻预测的精确度。另外,由于研究中的模糊—粗糙隶属函数中用到了W中各点到模糊空间R中2n个P的可能位置取样点的距离,这种取样的方法会一定程度上影响精确度。所以,未来的工作将致力于基于非取样方法的移动对象k近邻预测,从而争取精确度的进一步提高。