用户行为轨迹分析的相关研究综述
随着信息通讯技术(如无线通信)、移动定位技术(如GPS、基站定位等)、大
数据计算技术的不断发和创新，它们不但为用户提供便捷服务，同时也记录了
大量的用户行为轨迹数据,这些数据能够被长以的保存，形成了用户的轨迹数据。
1.1轨迹数据的特点
轨迹数据是大数据的一种，通常以“流〃的形式表达，它通常由用户在一系
列的签到活动信息和轨迹的采样信息构成。轨迹数据符合大数据的一些特征，如
数据量大，数据可实时获得以及数据的多样化等特征。虽然轨迹数据可以帮助我
们建立相关模型，但它还是有如下不足：
(1)轨迹数据采集的模糊性
由于现有定位设备存在一定计算误差，使得定位技术受到一定的限制，定位
的精度相对较差，在采集过程中，信号会有一定的衰减和消失，从而导致采集到
的轨迹数据具有模糊性;而且，不同的采样方法也出现不同的采样频率，这会导
致采集的轨迹数据，其位置信息和时序信息存在一定模糊性。
(2)轨迹数据的不均匀化分布
轨迹数据在活动频繁的区域会呈现数据密集状态，在偶然的访问区域则会呈
现数据稀疏状态。这是因为移动对象的活动具有一定的周期性、规律性和随机性,
在采集移动对象的位置信息、时序信息时，会导致轨迹数据分布具有不均匀性,
例如，街道上的行人在逛街的过程中，可能会随着人流的移动而随机移动到某些
地方，也可能在移动的过程中突然对某些场所产生兴趣，更或者直接奔着某些特
定的场所而移动，这就导致移动轨迹的偶发性过强而使得轨迹数据过于分散。
1.2轨迹数据预处理技术
基于位置的定位技术及无线通信技术的快速发，数据爆炸问题会越来越严
重。基于位置服务的应用向位置服务器发出定位信息，获取物体的移动信息，而
数据终端采集和传输这些信息，并将这些轨迹数据记录和存储在服务器上的数据
库中，以满足其不同的应用需求。但由于采集设备的精度限制、存储机制等因素
的影响，致使采集得到的时空轨迹数据很多都是不精确的，一般来说采集的轨迹
点越多，轨迹精度相对也越精确，但由于用户的活动隐式反馈，使得采集的轨迹
数据可能不足，而对于移动物体高频率的轨迹点的数据采集又会出现数据存储、
传输和处理等问题。所以，我们需要对轨迹数据进行预处理，改善数据的精确性
和稀疏性。
正如前面所述，通过基于位置服务的应用会获得很多轨迹数据，但这些数据
有些会含有噪声数据。因此，就需要人们对这些轨迹数据进行稀疏处理及噪声过
滤，这对于基于位置的服务的数据清理、传输、存储等具有重要作用。尽所周知
运动物体的运动是持续性的，但采集到轨迹数据却有一定的离散性。而降低数据
采集频率可以在一定程度上解决这种问题，然而，降低采集频率，又会使所采集
到的数据有很大的一部分可能并非是应用所需的数据，甚至其中的大部分数据不
能代表移动物体的运动特征。而且当我们处于室内时，如GPS这样的数据采集
方式可能无法有效对我们的轨迹数据进行采集，更不能确定的是采用低采样频率
采集到的数据否有效合理，并恰好满足需求。
1
通常将处理轨迹数据稀疏问题的方式有两种：1)离线压缩;2)在线报告。离线
压缩技术是通过丢弃冗余数据进行数据的稀疏处理，它需要先一步收集全所有数
据。而对于那些需求实时位置数据的应用则需采用在线报告方式。在线报告方式
进行数据稀疏处理中，一般存在两种思路:首先为了更好的获取到线性拟合轨迹
的几何性质，就需要尽量使用线段拟合尽可能多的位置点;其次对于那些明显偏
离预测的位置点，就需要更精准的抓住物体的运动特征。针对轨迹数据的研究,
人们通常都会考虑采取各种过滤方式对轨迹数据进行去噪预处理，以此去除噪声
数据并减少测量误差等。常见的轨迹噪声过滤(GPSNoiseFiltering)有以下几
种方法：
(1)均值滤波，也被称为线性滤波，它是一种降低平滑数据噪声的方法，
公式如下，
叉］=版如5+1勺(2.1)
从公式2.1也可以看出来，这种是一种移动平滑窗口滤波的方式，该方式可
以根据己知的轨迹点进行滤波。同时，该方法对离散点敏感。进一步的还可以对
GPS点z提出一种更有效的均值滤波方法，其运算公式如下所示。