針對(duì)Markov模型在位置預(yù)測中存在預(yù)測精度不高及匹配稀疏等問題，提出了一種基于Adaboost-Markov模型的移動(dòng)用戶位置預(yù)測方法。首先，通過基于轉(zhuǎn)角偏移度與距離偏移量的軌跡劃分方法對(duì)原始軌跡數(shù)據(jù)進(jìn)行預(yù)處理，提取出特征點(diǎn)，并采用密度聚類算法將特征點(diǎn)聚類為用戶的各個(gè)興趣區(qū)城，把原始軌跡數(shù)據(jù)離散化為由興趣區(qū)域組成的軌跡序列;然后，根據(jù)前綴軌跡序列與歷史軌跡序列模式樹的匹配程度來自適應(yīng)地確定模型階數(shù)k;最后，采用Adaboost算法根據(jù)1 ~k階Markov模型的重要程度為其賦予相應(yīng)的權(quán)重系數(shù)，組成多階融合Markov模型，從而實(shí)現(xiàn)對(duì)移動(dòng)用戶未來興趣區(qū)域的預(yù)測。在大規(guī)模真實(shí)用戶軌跡數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與1階Markov模型、2階Markov模型、權(quán)重系數(shù)平均的多階融合Markov模型相比，Adaboost-Markov模型的平均預(yù)測準(zhǔn)確率分別提高了20.83%、11.3%以及5. 38% ，且具有良好的普適性與多步預(yù)測性能。

　　隨著智能移動(dòng)終端普及率的提高以及移動(dòng)空間定位技術(shù)的迅猛發(fā)展，基于位置的服務(wù)（ Location Based Service， LBS ）得到了廣泛應(yīng)用”。目前基于位置的服務(wù)主要包含定位查詢路徑規(guī)劃和位置共享等功能，這些功能多集中于為用戶提供當(dāng)前位置的相關(guān)服務(wù)。為了使服務(wù)更具前瞻性，近年來大量國內(nèi)外學(xué)者把目光投向了移動(dòng)用戶的位置預(yù)測上。移動(dòng)用戶位置預(yù)測具有很高的研究價(jià)值與廣闊的應(yīng)用前景，其中最直觀的應(yīng)用包括個(gè)性化推薦與提醒。根據(jù)預(yù)測出的用戶下一步地點(diǎn)，可以針對(duì)用戶進(jìn)行個(gè)性化的推薦與提醒，例如系統(tǒng)預(yù)測出某個(gè)用戶的下一步地點(diǎn)為某個(gè)酒吧，可以向這位用戶推薦這個(gè)酒吧的促銷活動(dòng)，以及推薦常去此酒吧的新朋友。可疑目標(biāo)追蹤。移動(dòng)用戶位置預(yù)測可用于對(duì)可疑用戶進(jìn)行追蹤定位，例如在網(wǎng)上發(fā)表極端言論的用戶，通過預(yù)測目標(biāo)用戶的未來目的地，可以有效防范危害公共安全的惡性事件發(fā)生 。智能化交通。通過車載GPS （ ClobalPositioning System）設(shè)備采集的大量軌跡數(shù)據(jù)可用于預(yù)測交通擁堵情況，從而便于司機(jī)規(guī)劃行駛路線以及提高出租車的調(diào)度效率。