1.一种基于轨迹与路网匹配的路径预测方法，其特征在于包含如下步骤：

1)利用GPS+网络基站定位，得到第N个用户的第M条历史轨迹数据集TrajNM，可以表示为TrajNM＝，其中trNi＝表示第N个用户的第i条轨迹，其中tpi＝(loni,lati,ti)表示轨迹点，其中loni，lati，ti分别表示经度、纬度、定位时间；

2)利用基于密度的聚类算法DBSCAN算法对用户历史轨迹数据集TrajNM进行聚类，得到的n个聚类轨迹簇，表示为n个轨迹停留点并赋予语义，得到历史总停留点语义集合SP＝；

3)将用户的历史轨迹数据集TrajNM按照工作日(周一到周五)和非工作日(周六，周日)的轨迹进行分类，得到日期类集合DateClass＝；

4)分别对日期类集合DateClass中的轨迹按照出行目的进行分类处理，得到目的地分类集合DestClass＝；

5)定义当前轨迹Tcurr＝，其中cpi＝(loni,lati,ti)表示轨迹点，其中loni，lati，ti分别表示经度、纬度、定位时间，根据Tcurr所在日期，得到当前日期分类dateci，将该日期分类中所有的目的地分类集合DestClass中的轨迹数据映射到路网上形成有向图Gdc(V,E)，将当前轨迹与其相匹配，得到匹配度，确定当前出行类别destci；

6)得到当前轨迹Tcurr所在的当前出行类别destci中当前出行类别停留点语义集合SpDesc＝，计算该语义集合中各个元素之间的转移概率Psp，得到停留点语义集合转移概率矩阵SDTN×N；

7)根据停留点语义集合转移概率矩阵SDTN×N，得到当前停留点到其余各个停留点的概率，取概率最大的为下一个停留点sdi；

8)由当前轨迹Tcurr的当前出行类别destci的轨迹得到加权有向图Gtraj(V,E)i，根据Dijkstra算法计算Gtraj(V,E)i中当前位置到下一停留点sdi的最短路径Roadmin，Roadmin即为预测的轨迹路径。

2.根据权利要求1所述的一种基于轨迹与路网匹配的路径预测方法，其特征在于所述步骤2)中，对原始轨迹点进行密度聚类得到停留点语义集合的方法如下：

2.1)将基于密度的聚类算法DBSCAN中原始参数(ε,MinPts)改为(ε,Δt)，由轨迹点之间的时间间隔代Δt代替轨迹点的个数阈值MinPts；

2.2)对历史轨迹数据集TrajNM使用改进的DBSCAN算法进行聚类，得到n个聚类轨迹簇，表示为n个停留点，停留点的经纬度坐标为相应轨迹簇所有轨迹点经纬度坐标的平均值，停留点的起始时间为轨迹簇中轨迹点的最早时间和最迟时间，得到历史停留点集合Stp＝，其中stpi＝(loni，lati，ti)表示停留点，其中loni，lati，ti分别表示经度、纬度、定位时间；

2.3)根据步骤2.2)中历史停留点集合Stp中停留点stpi的经纬度坐标，停留点stpi的经纬度坐标作为输入，通过地图开放平台的SDK接口进行信息搜索，获取停留点的POI类别、POI名字以及POI关键字信息。

2.4)对返回的POI信息进行汇总，若只有一个返回结果，则输出POI信息，当出现多个POI信息时，对每个类别(POI类别)的POI个数进行统计，基于概率角度，把占比重最多的POI类别赋予给该停留点。

3.根据权利要求1所述的一种基于轨迹与路网匹配的路径预测方法，其特征在于所述步骤5)中判断当前轨迹的出行目的类别的方法如下：

5.1)判断当前日期cDate是工作日还是非工作日，获取步骤3)中的当前日期分类dateci，得到dateci下的所有轨迹数据，根据步骤4)中轨迹分类方法，得到目的地分类集合DestClass；

5.2)取i＝1，取目的地分类集合DestClass中第i个分类destci；

5.3)得到当前出行类别destci下所有轨迹的经纬度的最大值lonmax、latmax和最小值lonmin、latmin，按照地图中的南北方向，划出一个矩形区域，得到此区域的地图路网RN；

5.4)将RN用有向图Gdc(V,E)i表示，再将当前出行类别destci中的轨迹的经纬度坐标与Gdc(V,E)i顶点经纬度坐标相匹配，得到该目的分类中轨迹的有向图Gtraj(V,E)i，最后获取当前轨迹为Tcurr，将当前轨迹坐标与路网信息中的路口坐标进行比对，得到当前轨迹Tcurr有向图Gct(V,E)i。以上各有向图边和顶点均用路网中的路口之间的道路以及路口表示；

5.5)将当前轨迹有向图Gct(V，E)i和当前出行类别destci中轨迹有向图Gtraj(V,E)i相匹配，通过比较相应边的顶点的坐标，计算有向图中边的重合次数eCounti，记录总的比较次数allCounti，得到匹配度为Matchi，表示为Matchi＝eCounti/allCounti；

5.6)判断i是否小于目的地分类集合DestClass的元素个数，若小于，将i+1赋值给i，重复步骤5.3)到步骤5.5)，否则转到步骤5.7)；

5.7)得到类别匹配度集合M＝，可以得到最大的匹配度Mmax＝Matchi，得到当前出行类别destci。

4.根据权利要求1所述的一种基于轨迹与路网匹配的路径预测方法，其特征在于所述步骤6)中得到停留点语义集合转移概率矩阵SDTN×N方法如下：

6.1)根据步骤5)中得到的当前出行类别destci，得到destci类别下所有的轨迹点集合Trajcurr，Trajcurr＝，其中tci＝(loni,lati,ti)，loni，lati，ti分别表示经度、纬度、定位时间。

6.2)使用步骤2)提出的停留点语义提取算法，将输入集合由历史轨迹数据集TrajNM改为当前类别轨迹点集合Trajcurr，得到当前出行类别停留点语义集合SpDesc＝；

6.3)遍历SpDesc中所有的元素，假设元素sdi在该出行类别destci各原始轨迹中的下一时刻停留点分别为sdk、sdk+1、…、sdk+n，这n个停留点出现的次数分别为spCk、spCk+1、…、spCk+n，则sdi到sdj，j∈(k,k+n)的概率为：Pspi,j＝spCj/(spCk+spCk+1+…+spCk+n)；

6.4)重复步骤6.3)，直到SpDesc所有的元素都被访问，根据步骤6.3)中得到的Pspi,j，若sdi到sdj之间没有转移关系，则Pspi,j为0，将Pspi,j表示矩阵中第i行j列的元素，建立停留点语义集合转移概率矩阵SDTN×N。

5.根据权利要求1所述的一种基于轨迹与路网匹配的路径预测方法，其特征在于所述步骤8)中由当前位置获取到下一停留点的路径得到预测路径的方法如下：

8.1)获取步骤5.4)中当前出行类别destci下的轨迹有向图Gtraj(V,E)i；

8.2)对轨迹有向图Gtraj(V,E)i中的顶点v进行遍历，统计顶点vi的出度边ei的条数为N，再分别统计该N条边在历史轨迹中出现的次数分别为e1C、e2C、…、eNC；

8.3)计算顶点vi到各出度边ei的概率Pvei＝eiC/(e1C+e2C+…+eNC)，将该边ei的权值表示为wei＝1/Pvei，重复步骤8.2)到步骤8.3)，直至所有的边都加上权值；

8.4)在步骤8.1)中Gtraj(V,E)i中取距离下一停留点sdi最近的顶点Vmin，根据Dijkstra算法计算加权有向图Gtraj(V,E)i中当前位置顶点Vcurr到Vmin的最短路径Roadmin，Roadmin即为预测的轨迹路径。