1.一种基于用户移动模式的位置预测方法，其特征在于：该方法包含以下步骤：定义移动模式MP为：用户在连续时间顺序访问的位置集合；用户频繁移动的模式称为用户的移动模式，移动模式表示为MP＝{l1,l2,l3,…,ln}，n为用户的移动模式中包含的位置个数；

定义个体移动模式IMP为：用户个人的历史访问位置中频繁出现的位置序列，对于给定的用户，其移动模式为历史签到记录中所有移动模式的集合；

定义支持度为：用户的移动模式在其移动轨迹中出现的频率；在用户的历史签到记录中，包含多条移动轨迹，则移动模式的支持度计算为：定义整体移动模式AMP为：不同分组的所有用户历史签到中频繁出现的移动模式；采用DTW算法计算用户移动模式的相似性，然后通过聚类划分为多个组，根据每个组中所有用户历史访问位置中的移动模式找到一个中心模式，则为该组所有用户的整体移动模式；

定义天气总特征：将降雨、温度、风速三种天气特征依据加权融合的方式，组合成为一个新的特征；

S1：采用Apriori算法挖掘出每个用户的个体移动模式，找出影响用户签到的内因；

S2：利用动态时间规整算法DTW计算用户的个体移动模式之间的相似性；

S3：通过聚类将用户的个体移动模式进行分组，得到每一组的中心模式，即整体移动模式AMP，找到影响签到的外因；

S4：分别用个体的移动模式与整体的移动模式来训练马尔可夫模型；

S5：基于IMP和AMP训练马尔可夫链模型，组合两者的概率向量，预测用户的下一个位置；

S6：考虑外在天气的影响，创建天气总特征；

S7：利用高斯核函数计算当前地点的天气与其他地点天气的相似性，对预测的结果进行修正；

S8：设置评估标准和基准方法‘’所述步骤S1具体为：

S11：在给定的时间范围内，通过对Gowalla进行分析，找出用户的签到记录中长度为1的移动模式；

S12：接着依次找出长度为2的移动模式，然后计算其支持度σ是否满足要求，一直这样循环，直到移动模式的长度无法增加为止，得到候选移动模式；

S13：从得到的候选移动模式中，找出支持度满足条件的移动模式，得到用户的个体移动模式；

所述步骤中，对于两种移动模式的相似性计算不单纯的计算两点之间的欧式距离，而计算Haversine距离，传入两点的坐标得到实际两点之间的地理空间距离，具体如下：其中：

|Mp|表示移动模式的长度，即模式中位置的个数；rest(Mp)表示移除第一个位置的移动模式，d(l,li)表示两个位置间的真实距离。

2.根据权利要求1所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S3具体为：

S31：根据用户个人的移动模式，先初始化多个类，并且设置距离阈值τ；

S32：对于每个用户的每一条移动模式，计算其与每个类的距离，并选择距离最小的类；

S33：然后采用DTW算法计算该移动模式与这个类之间的距离，如果小于阈值τ，则将其加入该类中并更新；否则，则为该移动模式创建一个新类；

S34：得到聚类的结果，即每个人所属的整体移动模式。

3.根据权利要求2所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S4具体为：

S41：在对用户的个人移动模式进行聚类之后，获得用户整体的移动模式，结合所得的整体移动模式，将要去的下一个位置为：S42：基于个人移动模式，将要去的下一个位置为：其中， 表示含有N个位置的移动模式，MPc表示移动模式类的集合， 表示序列为 的移动模式出现在MPc中的次数， 表示在MPc中，位置li紧随后面出现的次数。

4.根据权利要求3所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S5对于每个人，都有其个人的移动模式以及整体移动模式，分别将其用于马尔可夫模型AMP

的训练；最后都会得到预测的一个概率向量；基于整体的向量为P ＝(l1,l2,l3,…,ln)，基IMP

于个体移动模式的向量为P ＝(l1,l2,l3,…,ln)，其中n表示预测位置的个数；然后将得到的两个结果组合在一起，得到最终的预测结果；最终的组合如下：IMP AMP

P＝α·P +(1‑α)P 。

5.根据权利要求4所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S6包含：

S61：创建天气总特征Xweather＝[Temperature,Rain,Windspeed]；

S62：对用户签到地点的三种天气进行加权求和，综合考虑三种天气对用户签到地点的影响，得到每个用户签到地点的天气总特征，具体表示如下：Xweather＝ω1Rain+ω2Windspeed+ω3Temperature其中，降雨的权重计算如下：

指的是用户签到的其中一个地点li在给定降雨区间用户签到的总次数， 相应时间段内该降雨区间出现的总天数；风速和温度的权重计算也一致。

6.根据权利要求5所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S7中，在通过创建的天气总特征计算出用户的天气偏好之后，采用高斯核函数计算用户当前地点Xl与其他地点 天气的相似度，得到最终的预测结果；具体计算如下：其中，Xl表示用户当前所处位置的天气情况， 则为其他地点的天气情况。

7.根据权利要求6所述的一种基于用户移动模式的位置预测方法，其特征在于：所述步骤S8包含：

S81：将地点预测的Accuracy和APR作为实验的评估标准；

S82：Accuracy：该指标定义了在用户的预测结果列表中，预测正确的地点占总的预测地点的比例；当预测结果与实际一致时p(l)＝1；

S83：平均百分比排名APR：预测问题也与排序有一定的关系，用户ui的签到地点lj在预测列表PR定义为：

取PR值的和的平均值则得到所有用户的APR值，值越大说明预测的效果越好；公式如下：

S84：为了验证提出的一种基于用户移动模式的位置预测方法的有效性，选取以下的模型与提出的模型进行对比：

NextPlace：是一种经典的位置预测方法，基于到达时间的非线性时间序列分析来预测用户行为，使用时间序列的相似性来进行预测；

SimPreT：将历史模式与当前用户轨迹关联起来，利用模式相似性来确定用户的下一个位置；

HMM‑based：该模型通过构建混合马尔可夫模型，同时考虑实际人类签到数据中的非高斯以及时空特性。