论文笔记：A survey on next location prediction techniques, applications, and challenges

EURASIP Journal on Wireless Communications and Networking 2022

1 intro

1.1 背景

• 基于位置的服务（LBS）具有广泛的应用领域
  • 许多服务，如广告推荐、交通调度、路线规划等，需要预测用户位置以提高信息质量
  • 位置预测使用用户的历史轨迹来训练预测模型，然后预测用户的下一个位置
  • 下一位置预测通常涉及从轨迹历史中获取重要地点，并使用某种统计模型进行位置预测
• 移动应用程序如Foursquare允许用户签到并广播他们访问的地方
  • 这不仅让我们知道用户在特定时间的地理坐标，还让我们知道他们访问的确切地点
  • ——>超出了简单的地理坐标，可以作为描述人类移动性的一个额外维度来利用
• 移动电话在与全球移动通信系统（GSM）网络连接时，会留下定位日志，指定其定位或单元号
  • 由于移动设备的不可靠性和定位系统的限制，移动对象的位置往往在很长一段时间内是未知的。
  • 在这种情况下，预测移动对象可能的未来位置的方法是必要的，以预测可能的服务
• 从传感器数据中理解用户移动性是普适计算中的一个中心主题
  • 作为人类行为的重要类型，人类的交通方式，如步行、驾车和乘坐公交车等，可以赋予其移动性更多的意义，并为普适计算系统提供丰富的情境信息

1.2 论文主要研究问题

RQ1 在下一位置预测中考虑了哪些重要特征？

RQ2 用于下一位置预测的技术是什么？

RQ3 影响下一位置预测的重要因素是什么？

1.3 建模人类移动性的挑战

• 建模人类移动性需要提取个体访问位置的移动流模式。
• 人类移动性表现出复杂的顺序转换规律
  • 在实践中，两个任意位置之间的转换可能是时间依赖的和高阶的
    • 时间依赖：
      • 上班族从家到办公室的移动概率在工作日早晨较高，但在周末早晨通常较低
    • 高阶：
      • 转换可能不遵循简单且精确的马尔可夫链假设，因为人们可能去不同的地方，如上班路上的早餐地点，这导致高阶和不规则的转换模式

2 preliminary

• 基于位置的服务（LBS）由于移动设备和无线网络的发展和广泛使用，逐渐成为研究热点
• 下一位置预测基于以前停留地点的历史预测个人的移动。
• 个体移动包含高度的规律性。
  • 个体经常访问一小组地点并在地点间移动。
  • 移动规律可以是时间性的、周期性的或顺序性的。

2.1 几种类别的轨迹

• 人类移动性
  • 人们长时间以空间轨迹的形式被动地/