17、基于多标准模糊逻辑与序列模式挖掘聚类的路径推荐系统解析

基于多标准模糊逻辑与序列模式挖掘聚类的路径推荐系统解析

1. 核心方法与关键贡献

为解决现有问题，提出了基于多标准模糊逻辑的地图匹配（MM）框架以及基于序列模式挖掘和聚类（SPMC）的路径推荐方法。道路网络和轨迹数据可从道路建设者、道路使用者和交警等利益相关者处获取，利用这些数据结合MM结构和道路网络组件，能创建定性建模方法，有望减少道路事故数量。其关键贡献如下：
- 对MM解决方案进行详尽调查。
- 引入SPMC过程挖掘频繁移动模式（FMPs）并制定移动规则（R）用于路线推荐。
- 将用户移动方向输入自训练虚拟现实系统以预测用户移动错误。
- 研究并比较所提出模块与现有解决MM问题的兼容算法。
- 给出未来研究建议。

2. 地图匹配方法综述

地图匹配（MM）方法结合地图数字信息和GPS接收器信息，确定移动车辆在路线上的位置。目前主要有以下几种类型的MM方法：
- 特征基于MM框架 ：在印度建设智慧城市过程中，广泛的GIS网络以及对QGIS、R、PostGIS和SQL等技术的了解至关重要。这些基于特征的MM框架能为低采样频率的GPS轨迹在GIS中提供出色功能。
- 概率方法MM策略 ：适用于复杂路径或交叉路段，通过大量计算提高匹配精度，如隐马尔可夫模型（HMM）依赖的MM和多假设方法。但定位数据的准确性常受样本大小影响，在低采样率情况下，GPS映射需不断提高准确性和可靠性。为解决复杂道路映射，还提出了HMM、模糊逻辑模型和卡尔曼滤波等复杂MM方法。
- 通用三步法 ：多数MM方法通常遵