近年来,随着定位技术、无线通信技术以及移动设备的快速发展,大量移动对象能够被有效的定位和追踪,由此产生了越来越多的移动对象轨迹数据,同时极大地促进了基于位置的服务的发展。为了使服务具有前瞻性,使服务提供者能够在对象运动的过程中提前为其将来的活动进行安排和部署,不仅要对移动对象当前活动进行分析,更需要对其未来位置进行预测。移动对象位置预测是研究移动对象行为的重要方向,在移动计算、智能交通管理、移动通信网络优化、智能家居、城市规划、环境监测、犯罪追踪、灾难救援等方面有着重要的实践应用价值和学术价值。本课题以移动对象轨迹数据为研究对象,以移动对象的未来位置预测为主要研究目标,所做的主要工作如下:(1)以往在基于移动对象自身历史轨迹数据进行个性化位置预测时,大多仅关注移动对象兴趣区域序列中的运动模式,忽略对象在不同兴趣区域间转换时的路径信息,造成原始轨迹数据与预测目标间的空间粒度不一致的问题。由于移动对象运动中的动态路径信息,能够帮助在更细的空间粒度下对移动对象行为进行建模。本课题在基于移动对象兴趣区域序列预测的同时,依据移动对象的实时运动路径进行目的地预测,最终使用两种融合策略将两者的预测结果进行整合。其中,在基于运动路径进行预测时,采用回溯策略考虑多种情况下的条件约束,提高原始基于概率统计的目的地预测方法的预测性能。(2)使用个性化位置预测方法时,很难捕获到移动对象全部的运动模式,可能遭遇数据稀疏问题,且移动对象运动规律随时间不断变化,很容易受到其社交朋友行为的影响。以往利用群体行为进行补充预测时,没有考虑到社交关系动态变化情况,且用户间的相似度度量不准确。因此,本课题提出基于动态社交关系的移动对象位置预测方法。使用交叉样本熵来估计移动对象运动序列间的相似度,并通过绝对时间的划分和相对时间的映射,来发现用户在不同时间特征下,社交圈以及社交关系强度的变化。最后,将相似度转化为权重值,用于用户与其朋友的运动数据的融合,从而建立混合位置预测模型。(3)移动对象运动行为是一个复杂的过程,需要大量的运动假设来对移动行为进行建模。不同移动对象可能包含不同的运动假设,很难构建一种通用模型,适用于各种轨迹数据类型、移动对象行为习惯以及不同的应用领域。另外,同一移动对象在不用时刻的运动可能受到不同原因的驱使,同一运动模型很难适应各种情景。由于模型的设计和选择对于系统来说极为重要却难以确定,本课题提出基于多层评估的移动对象位置预测方法,首先,基于训练集上的预测性能在大量基础预测器中自适应的选择一组最优的预测器组合。其次,为每个选择的预测器建立评估模型,估计在不同运动特征下可能获得正确预测结果的概率。最后,将每个预测器的评估概率和预测结果进行加权投票,从而得到最终的预测结果。