一种改进的Markov预测模型方法

马尔可夫（Markov）模型的链式结构简便易行,适合作为一个预测模型来预测用户的页面访问模式。针对Markov原始预测模型算法时间和空间高开销的缺点,引入聚类方法对模型进行改进,以有效降低原始Markov预测模型计算开销。改进的Markov模型虽较好地克服了原始Markov模型的缺陷,但在提高效率的同时,模型的预测准确度有所降低。不过由于是将高阶Markov模型类别预测和低阶Markov模型页面预测相结合,和原始低阶Markov模型页面预测相比,准确性具有一定优势。     

基于改进的Markov模型预测准确度研究

马尔可夫（Markov）模型方法主要解决的问题是从当前状态预测下一个状态,因此适合作为一个预测模型来挖掘用户的页面访问模式。此文在总结以往Markov模型方法基础上,从页面访问时间和用户个体特征两个角度对模型方法进一步改进,以提高模型预测的准确度。最后将改进的Markov方法与协同过滤方法进行了比较,指出其在计算开销和预测准确度上的优势。     

基于偏爱度的多步Markov网页预测模型

随着WWW的迅速扩张和网络用户的急剧增加,准确预测Web用户的访问行为对减少用户的感知延时、提高网络服务质量具有重要作用。文章分析了传统Markov模型的优缺点,针对低阶Markov模型准确率不高,而高阶Markov模型状态空间复杂度较高的缺点,提出了一种新的K步Markov模型（K-Step Markov Model,K-SMM）,并引入了偏爱度的概念,建立了基于偏爱度的多步Markov网页预测模型（Preferred K-Step Markov Model,PKSMM）。实验结果表明,该模型可以获得更高的预测准确率与覆盖率,并能有效地降低存储复杂度。     

一种大规模分布式监控系统中预测模型的研究

大规模分布式监控系统面临着数据管理规模和资源约束之间的矛盾,通过预测模型方法可以有效降低网络通信开销.在定义描述问题域和分析相关工作基础上,提出了两个改进的预测模型,并给出了当预测失败时对应的调整策略.采用了模拟数据和TAO(tropical atmosphere ocean)测量的海洋表面空气真实温度数据作为实验数据流,对改进模型进行了实验.理论分析和实验结果均表明,改进后的模型具有更高的预测命中率和更低的网络通信开销.     

Web浏览预测的Markov模型综述

Web访问模式挖掘研究的一个重要议题是Web浏览预测,Markov模型是一种经典的Web浏览预测模型.本文首先介绍了基本Markov浏览预测模型,包括基本Markov浏览行为模型,模型的学习训练及其在Web浏览预测问题中的应用;然后重点分析了扩展的Markov浏览预测模型,包括一序组合预测模型、高序模型、混合模型、隐Mark-ov模型、连续时间Markov模型等,综述了各种扩展模型所考虑的浏览预测问题的本质出发点、模型的学习方法及预测方法,最后分析了Markov浏览预测模型有待进一步研究的问题.     

基于混合Markov模型的用户浏览预测

建立有效的用户浏览预测模型,准确的预测用户的浏览路径,是开发各种Web站点导航工具的关键.传统的Markov模型是一种简单而有效的预测模型,但它存在测准确率低、预测覆盖率低以及存储复杂度高等缺点.通过对传统Markov模型的扩展,并研究了群体用户在Web上的浏览特性,采用了基于混合Markov模型的用户群兴趣导航发现方法.实验结果表明,该方法比传统Markov模型更准确的反映了用户的访问兴趣,可以获得更高的预测准确率与覆盖率,以及有效地降低存储复杂度.     

马尔可夫预测模型的压缩与应用研究

Markov预测模型是Web预取与个性化推荐技术的基础。大量Web对象的存在使得用户浏览转移状态激增，导致预测模型出现了巨大的空间复杂度问题。基于网站链接结构（WLS），针对Markov预测模型中的转移概率矩阵，提出一种基于行相似与列相似的相似度度量方法。首先计算出相似矩阵，然后利用行相似、列相似获得相似页面并压缩在一起，减小了Markov模型中的状态个数。实验表明，该模型具有较好的整体性能和压缩效果，在预取效率方面能够保持较高的预测准确率和查全率。     

基于Markov模型与轨迹相似度的移动对象位置预测算法

针对低阶Markov模型预测精度较差,以及多阶Markov模型预测稀疏率高的问题,提出一种基于Markov模型与轨迹相似度(MMTS)的移动对象位置预测算法。该方法借鉴了Markov模型思想对移动对象的历史轨迹进行建模,并将轨迹相似度作为位置预测的重要因素,以Markov预测模型的预测结果集作为预测候选集,结合相似度因素得出最终预测结果。实验结果表明,与k阶Markov模型相比,该方法的预测性能不会随着训练样本大小及阶数k的变化受到很大的影响,并且在大幅降低k阶Markov模型预测稀疏率的同时将预测精度平均提高了8%以上。所提方法不仅解决了k阶Markov模型的预测稀疏率高及预测精度不足的问题;同时提高了预测的稳定性。     

一种事件驱动型无线传感器网络目标追踪算法的研究

无线传感器网络节点无论在军用还是民用领域都非常适合进行活动目标的追踪任务。基于现有的常用定位算法的分析与研究,针对所提出方法在实际应用中存在如何提高定位精度与减少网络计算开销的难题,提出一种基于最小二乘二步优化目标定位算法;采用分段低阶曲线拟合法计算目标轨迹并预测目标路径,一种路径模型选择机制保障低阶曲线轨迹的拟合精度并降低计算开销,以及目标意外丢失后的恢复策略。仿真结果表明,改进后的目标跟踪算法改善了目标定位和目标位置预测效果,获得跟踪精度较高、网络计算开销较低的效果。     

基于自适应多阶Markov模型的位置预测

准确预测用户的地理位置可以有效地改善基于位置服务的质量.针对标准Markov模型预测能力不足,以及多阶Markov模型阶数难以确定的问题,提出了一种基于自适应多阶Markov模型的位置预测方法.该方法采用一种基于规则图形的方式对原始位置信息进行抽象化处理,并使用一种基于训练数据的启发式方式自动确定用于预测的模型阶数.最后,基于真实的位置数据,对自适应多阶Markov模型的预测性能进行了评测.结果表明自适应多阶Markov模型的预测精度和预测长度始终高于多阶Markov模型,平均预测精度提高将近20%,平均预测长度提高将近10个单位区域,且不易受训练数据质量影响.