La considération du facteur temporel pour l’algorithme CPT pour la prédiction et la recommandation

Abstract

La prédiction de la localisation future des objets en mouvement est devenue récemment un sujet de recherche important en raison du besoin humain de mouvement continu, ou était appliquée dans plusieurs domaines, dont le plus important est les services basés sur la localisation. Il existe de nombreux modèles pour prédire le lieu, mais la plupart d'entre eux se concentrent sur le contexte spatial et négligent le reste des contextes, bien que cela affecte négativement la précision de la prédiction. Dans ce mémoire, nous proposons un modèle de prédiction de localisation appelé TCPT. Ce dernier est basé sur un le modèle (Compact Prediction Tree) qui se caractérise comme non perdant car il préserve toutes les données pour faire la prédiction. Il est également tolérant au bruit contrairement aux autres modèles de prédiction. De plus, notre modèle intègre le contexte temporel et l'utilise dans le processus de prévision. Nos résultats expérimentaux sur un jeu de données réal montrent que le modèle TCPT présente des bons résultats par rapport à deux méthodes de prédiction.

Predicting the future location of moving objects has become an important topic of research recently due to the human need for continuous movement, as it has been applied in several areas, the most important of which is location-based services. There are many models for predicting the place, but most of them focus on the spatial context and neglect the rest of the contexts, although this negatively affects the accuracy of the prediction. In this thesis, we propose a location prediction model called TCPT. The latter is based on a new and accurate model (Compact Prediction Tree) which is characterized as lossless as it preserves all data to make prediction. It is also tolerant of noise unlike other forecasting models. In addition, our model incorporates time context and uses it in the forecasting process. Our experimental results on a realistic dataset show that the TCPT model performed well compared to two other prediction methods