《表1 历史轨迹数据：基于签到序列模式的隐式位置访问推演技术》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于签到序列模式的隐式位置访问推演技术》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了解决签到数据的稀疏性和不完整性等问题，提出了用户位置推演技术[1，3-5，7]。当前用户位置推演技术主要基于用户的历史轨迹进行位置推演。例如，表1显示了用户u从地点l1至l2的历史轨迹数据；图1显示了地图中的轨迹数据分别为{s1，s2，s3，s4，s5}；其中，s1=l1→l6→l2代表用户u顺序经过地点l1，l6，l2并进行位置签到。此外，图1显示了每个地点的类别，例如地点l3的类别是餐厅，而l5的类别是药店。一项可能的位置推演任务是，对于用户u的某条轨迹s=l1→l2，推演用户u在此过程中访问地点l6的概率。当前研究[1，3]主要采用贝叶斯模型来进行用户的位置推演。例如，在计算用户u在轨迹s中访问l6的概率时，采用贝叶斯模型可得到访问概率\n\t\t\t\n其含义为在历史轨迹数据中，用户从l1移动至l2过程中，访问l6地点的概率为40%。同理，用户u在l1→l2过程中访问l3的概率可计算为\n\t\t\t\n。然而，基于历史数据可知，用户在从l1至l2的途中3次访问餐厅（即s1s2s4）并就餐，而l3亦是餐厅，显然用户在从l1到l2过程中在l3处签到的概率不应为0。相似地，用户在l1至l2的途中访问3次餐厅，访问1次药店，因此推演用户在l1→l2过程中访问l4餐厅和l5药店的概率应该有所不同，但是基于贝叶斯模型[1，3]的推演结果皆为0.2。由此可见，当前基于贝叶斯的推演模型存在着以下两个问题: