中文摘要：

本项目以移动设备、车辆、飞机、飓风等移动对象不确定性运动轨迹预测问题为背景，将移动对象数据作为研究对象，以移动对象位置索引、频繁轨迹模式挖掘、时间连续贝叶斯网络为主要研究手段，从模型通用性入手，对动态环境因素建模，揭示移动对象动态行为特征及规律，从主客观角度阐明位置、速度、方向、交通状况、红绿灯、天气情况对移动对象不确定性运动的影响，提出动态环境下移动对象轨迹预测新概念、特色理论及模型，高效准确预测对象未来运动轨迹，为智能导航、实时跟踪、精确定位技术研究奠定基础。研究难点和关键问题包括(1)利用轨迹柱状体模型和目标概率函数管理不同类型移动对象运动不确定性；(2)深入探讨移动对象当前和未来位置索引的实现结构，提出新型索引方法，采用静态和动态相结合存储管理对象；(3)提出动态环境因素非线性建模方法，应用频繁轨迹模式挖掘算法发现轨迹热点区域，利用时间连续贝叶斯网络预测移动对象不确定性运动轨迹。

结论摘要：

课题取得成果包括(1)为了支持对大规模不确定性移动对象当前及将来位置的查询，提出基于路网的移动对象动态双层索引结构DISC-tree，对静态路网信息采用R*-tree索引管理，对实时更新的移动对象运动轨迹采用结点更新代价较小的R-tree进行索引，设计哈希表和双向链表辅助结构对索引协同管理。成都市真实地图数据集上实验结果表明相比于经典的NDTR-tree，DISC-tree在索引建立和维护方面时间代价平均减少39.1%，移动对象轨迹查询时间代价平均减少24.1%；相比于FNR-tree，DISC-tree的范围查询准确率平均提高约31.6%。(2)为了高效准确地预测移动对象动态运动轨迹，提出了一种新的基于轨迹时间连续贝叶斯网络的不确定性轨迹预测算法，充分考虑了移动速度和方向对移动对象动态运动行为的影响。不同数据集上的实验结果表明所提算法的预测精度优于朴素预测算法，并证明了热点区域挖掘的作用在于能够在保证较高预测准确性的前提下提高预测时间性能近60%。(3)提出基于HMM(hidden Markov model)的轨迹预测算法HMTP。对海量移动对象轨迹数据进行分段处理，在传统HMM的基础上，提取隐状态和观察状态。通过分析HMTP的不足，提出自适应预测算法HMTP*，更好地适应真实情况下移动对象速度随机变化，其平均预测准确率为88.2%，明显高于HMTP算法在该情况下52.5%的预测准确率。(4)提出一种基于频繁轨迹模式的轨迹预测算法TraPlan，这一方法首先为移动对象构建基于DISC-tree的动态双层索引结构；然后，利用轨迹热点区域挖掘算法将轨迹点划分成不同的聚簇；最后，构建FTP-tree挖掘频繁轨迹模式预测最可能运动轨迹。不同数据集上实验结果表明TraPlan轨迹预测算法的准确率均在80%以上。(5)实现了轨迹预测系统PathExplorer，提供友好的可视化界面，形象展示轨迹预测过程，提供移动对象轨迹预测和查询功能。