1.一种基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，所述方法包括如下步骤：S1、查询用户利用协作的方式构建K匿名组，从K匿名组中提取愿意充当代理的用户放入AgentID集合；

S2、从AgentID集合中选择位置处于选择区域CR内，且声誉高的N个用户作为代理用户；

S3、各代理用户转发查询用户的查询请求至LBS服务器，接收LBS服务器返回的候选结果，并转发至查询用户；

S4、查询用户从候选结果中筛选出至少k个邻近查询结果。

2.如权利要求1所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，所述K匿名组的构建方法具体包括如下步骤：S11、查询用户在其一跳范围内向邻居用户广播匿名组构建请求；

S12、在应答用户中选择声誉值大于阈值τ1的用户组一，用户组一中的用户数量小于K-

1，阈值τ1为查询用户定于的阈值；

S13、从选定用户中选择声誉最高的用户在其一跳范围内转发查询用户的匿名组构建请求；

S14、在应答用户中选择声誉值大于阈值τ2的用户组二，检测用户组一与用户组二中的用户数量之和是否大于K-1，阈值τ2为转发用户定义的阈值；

S15、若检测结果为是，则用户组一与用户组二构成匿名组，若检测结果为否，则从用户组二中选择声誉最高的用户在其一跳范围内继续转发查询用户的匿名组构建请求，执行步骤S14。

3.如权利要求1所述所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，k个邻近查询结果的获取方法包括如下步骤：S41、计算各候选结果中的兴趣点与查询用户间的距离，将距离小于距离阈值的候选结果作为邻近查询结果放入集合Result1中，将剩余的候选结果放入集合Result2；

S42、检测邻近查询结果的数量是否大于k，若检测结果为是，择输出所述k个邻近查询结果。

4.如权利要求3所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，若S42中的邻近查询结果数量小于k，则执行如下步骤：S43、扩大选择区域为CR+，增大距离阈值；

S44、在AgentID集合中选择位置处于选择区域CR+内，且声誉高的N个用户作为代理用户，针对同一查询请求，一个用户只能充当一次代理用户；

S45、各代理用户转发查询用户的查询请求至LBS服务器，接收LBS服务器返回的候选结果，并转发至查询用户；

S46、从步骤S45的候选结果及集合Result2的候选结果中，筛选出兴趣点与查询用户间距离小于距离阈值的查询结果放入集合Result1中，剩余的候选结果放入集合Result2中，执行步骤S42。

5.如权利要求1至3任一权利要求所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，本次参与用户j匿名组构建的所有用户对用户j的综合信任值之和与用户j自身历史信誉值的总和即构成用户j的信誉值，所述历史信誉值随时间衰减，所述综合信任值由直接信任值DTij、间接信任值ITij及额外信任值ETij构成；

若用户j参与用户i的匿名组构建，用户i基于直接交互经验计算用户j的直接信任值DTij；

若用户i与用户j没有直接交互，用户s与用户j有直接交互，基于用户i和用户s对相同用户直接信任评价的相似度，用户i给出对用户j间接信任值ITij；

基于用户i此次对用户j的综合信任值与用户i上一次对用户j的综合信任值的差值，用户i给予对用户j的正额外信任值ETij或负额外信任值ETij。

6.如权利要求5所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，用户j的声誉值 计算公式如下所示：其中，tn表示目前的时刻，tn-1表示用户j上一次声誉值的更新时刻， 表示用户j本次交互后的声誉值， 为历史声誉，W表示本次与用户j有交互的所有用户数，Tij表示用户i对用户j的综合信任值，μ是时间衰减因子，

7.如权利要求6所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，综合信任值Tij由直接信任值DTij、间接信任值ITij及额外信任值ETij构成，综合声誉值得计算公式如下所示：Tij＝ωdt×DTij+ωit×ITij+ωet×ETij

其中，ωdt+ωit+ωet＝1，ωdt、ωit和ωet是动态变化的，由查询用户自定义，直接信任值DTij的权重ωdt大于ωit和ωet。

8.如权利要求7所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，直接信任值DTij的计算公式如下所示；

直接信任值DTij是由用户i计算并本地存储的，其中，αij表示用户j参与构建用户i的匿名组的次数，βij表示用户j不参与构建用户i的匿名组的次数，fij表示用户i与用户j的通信频率，lij表示用户i与用户j通信的信息长度，Ci表示用户i与之有过通信的所有用户的集合， 是Ci集合中，与用户i通信频率的最高值， 是Ci集合中通讯信息量的最大值，λ是一个调节因子，取值范围为[0,1]。

9.如权利要求7所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，间接信任值ITij的计算公式如下所示：其中，ITij表示用户i对用户j的间接信任值，用户i与用户j没有直接交互，用户s与用户j有过直接交互，即表示用户i根据用户s对用户j的直接信任值来给出用户j间接信任值，N表示和用户j有过直接交互的用户数，sim(i,s)表示用户i和用户s对相同用户直接信任评价的相似度，Nodei表示用户i与之有过直接交互的用户集合，Nodes表示用户s与之有过直接交互的用户集合，Nodei,s＝Nodei∩Nodes，表示用户i和用户s都与之有过直接交互的用户集合。

10.如权利要求7所述基于信任激励和位置隐私保护的k近邻查询方法，其特征在于，额外信任值ETij的计算公式如下所示：其中，ETij表示用户i给予用户j的额外信任值， 表示本次用户i对用户j的综合信任值， 表示tc时刻的前一次用户i对用户j的综合信任值，fij为用户i与用户j的通信频率。