c. Tính riêng tư
2.2. Dự đoán dựa trên hành vi của đối tượng
Xem xét một đối tượng chuyển động liên tục theo thời gian. Truy vấn dự đoán vị trí của đối tượng là xác định vị trí có thể xảy ra của đối tượng đó trong tương lai. Phương pháp dự đoán theo hàm chuyển động không thể xác định chính xác vị trí của đối tượng ở những thời điểm tương lai xa hiện tại. Bởi vì phương pháp dự đoán này dựa trên các tham số chuyển động (vị trí, vận tốc, gia tốc) trước đó và gần với hiện tại của đối tượng. Xem xét ví dụ đơn giản sau. Giả sử ta biết An đã ở nhà trước lúc 8h. Vào lúc 8h cô ấy bắt đầu đi đến siêu thị. Và bây giờ là 8h15, cô ấy đang ở trong siêu thị. Rõ ràng là không thể xác định được vị trí của cô ấy vào lúc 11h trưa mà chỉ dựa trên những thông tin chuyển động đã biết như hướng, vận tốc hay tuyến đường.
Đã có một số nghiên cứu liên quan đến khai phá dữ liệu chuyển động để dự đoán vị trí của đối tượng. Chẳng hạn như mô hình Markov có thể được sử dụng để dự đoán vị trí theo các ô trong không gian. Kỹ thuật này xác định ô hiện thời đang chứa đối tượng và tính toán ô tiếp theo mà đối tượng này có thể chuyển đến theo mô hình Markov. Hay sử dụng mô hình Markov theo cách tiếp cận phân đoạn quỹ đạo để dự đoán quỹ đạo chuyển động của đối tượng [56]. Ngoài ra còn có
51
một số kỹ thuật dự đoán khác như dự đoán dựa trên Transition Matrix (TM) và dự đoán dựa trên Ignorant Prediction (IP). Trong TM [54], việc dự đoán dựa trên ma trận xác suất biến đổi ô sang ô (cell-to-cell). IP [55] thì không sử dụng thông tin lịch sử khi đưa ra dự đoán. Ở kỹ thuật này, các ô liền kề của ô hiện thời được lựa chọn ngẫu nhiên như là ô dự đoán. Năm 2005, Gokhan và đồng nghiệp giới thiệu thuật toán khai phá dữ liệu cho dự đoán di chuyển của người dùng. Thuật toán đề xuất dựa trên việc khai phá mẫu hình di chuyển của người sử dụng (UMP - User Mobility Pattern) sử dụng đồ thị có hướng [53]. Năm 2006, Y. Wang và đồng nghiệp [45] sử dụng dữ liệu vị trí từ logfile của nhiều người dùng để phát hiện mẫu hình nhóm người dùng (user group parterns) mà các thành viên của cùng nhóm là gần với nhau về mặt không gian trong một khoảng thời gian đáng kể. Y. Wang và đồng nghiệp đã đề xuất hai thuật toán AGP và VG-growth để khai phá nhóm mẫu hình hợp lệ. Trong đó, AGP dựa trên Apriori khai phá luật kết hợp cổ điển còn VG-growth sử dụng chiến lược khai phá tương tự như thuật toán FP- growth và được dựa trên một cấu trúc dữ liệu mới là VG-graph. Năm 2014, Heena cùng đồng nghiệp [52] đưa ra ý tưởng về khai phá dữ liệu chuyển động bằng cách sử dụng thuật toán kiểu Apriori với các tập mục dự tuyển và tập mục thường xuyên. Khai phá mẫu hình thường xuyên sẽ cung cấp suy đoán về các vị trí thường được truy cập của đối tượng chuyển động.
Trong phần tiếp theo, nghiên cứu sinh sẽ giới thiệu phương pháp dự đoán dựa trên hành vi của đối tượng, tiếp cận theo hướng khai phá luật kết hợp của các mẫu hình di chuyển của đối tượng sử dụng thuật toán tựa Apriori. Phương pháp này khắc phục được nhược điểm của phương pháp dự đoán theo hàm chuyển động là cho phép dự đoán được vị trí ở những thời điểm xa hiện tại với độ chính xác tương đối cao. Với lớp bài toán quản lý thông tin đối tượng chuyển động, việc kết hợp hai phương pháp này sẽ đem lại hiệu quả tốt hơn cho cả hệ thống. Đồng thời cũng đem lại nhiều lợi ích khi phát triển các dịch vụ LBS đòi hỏi xác định được vị trí thường xuyên đến của các đối tượng… Phần đầu, giới thiệu ngắn gọn về luật kết hợp, thuật toán phân cụm dựa trên mật độ DBSCAN và một số định nghĩa về mẫu
52
hình di chuyển. Tiếp theo, trình bày ý tưởng của việc khai phá mẫu hình di chuyển. Cuối cùng là mô tả việc áp dụng khai phá luật kết hợp của mẫu hình quỹ đạo trong dự đoán vị trí của đối tượng chuyển động.