1.一种基于偏好感知的轨迹隐私保护服务推荐方法，其特征在于，包括如下步骤：步骤1、对待查询用户的初始位置进行匿名；

步骤2、确定所述待查询用户的偏好以及背景信息后，根据所述待查询用户的对位置的不同偏好，划分出不同的隐私风险等级；

步骤3、采取拉普拉斯保护机制向查询结果中添加噪声；

步骤4、将添加噪声后的位置进行组合形成行的匿名轨迹；

在所述步骤1中，基于聚类的mix‑zone算法对初始位置进行匿名过程包括：步骤1.1、使用sim(As,As′)量化属性相似性，若存在sim(As,As′)<λ则认为进出mix‑zone的用户为同一用户；

其中，sim(.)为相似性，As＝(a1,a2,……,am)为某一指定被追踪用户的属性，As′＝(a1′,a2′,……,am′)为所述指定被追踪用户离开mix‑zone之后表现出的属性，m为可被识别的属性数量，a1,a2,……,am为As的属性，a1′,a2′,……,am′为As′的属性，λ为可被攻击者使用的相似属性最小阈值；

步骤1.2、假设拟将数据聚类为k个种类，则选取k个初始中心位置 后，分别计算样本数据至各个初始中心位置的欧式距离：其中，sj， 表示计算(i,j)位置的欧氏距离；sjn表示第n个点的第j维坐标， 表示第n个点的第i维坐标；

步骤1.3、从n个位置数据集中随机选择k个对象作为初始的代表对象，将剩下的所有对象分配到最近的代表所代表的簇，随机选择一个非代表对象Orandom，计算用Orandom代替代表对象Oi的总代价S，如果S<0，Oi代替Orandom，生成一组新的k个代表对象，直到没有发生更改；

每个簇分别做下列步骤：

RSU集合SMZ←Φ，初始化节点数目SMZ，N←0，当N≤K时，SMZ←SMZ∪AZT，N←N+n，将SMZ合并到List(SMZ)，通过 计算H，选择聚类中最大的mix‑zone；

在所述步骤2中，通过构建用户的用户熟悉度确定所述待查询用户的偏好以及背景信息：式中， 为用户从位置i转移到位置j的概率， 为用户对每一语义类型的用户熟悉度， 为位置在对应语义类型中的位置流行度；

在所述步骤2中，通过构建用户的位置流行度确定所述待查询用户的偏好以及背景信息：式中， 为用户从位置i转移到位置j的概率， 为用户对每一语义类型的用户熟悉度， 为位置在对应语义类型中的位置流行度；

在所述步骤3中，采取拉普拉斯保护机制向查询结果中添加噪声过程包括：d

对于任一一个函数f:D→R，函数f的全局敏感性为△f＝maxD,D′|f(D)‑f(D′)|，D和D′为相邻数据集，d为函数输出的维度，所述概率差异公式为