行動預測機制

 Prasad's Scheme [13]：

Prasad's Scheme [13]提出一個在校園網路環境下的簡單架構，主要利用二階馬可夫 鏈（Order-2 Markov chain），即隱藏式馬可夫模型（Hidden Markov Model）來獲取使用 者的移動歷史資訊，並進行預測。此研究另以預測結果，透過數學分析提出相對應的資 源管理方案，其模擬結果，利用實際測量記錄的 Mobile Trace，來驗證預測模型的準確 度，以及在不同的 AP 位置、行動用戶、迭代次數下的預測表現。

其預測方法的示意圖及預測流程如 Figure 2.1 及 Figure 2.2，意即以行動用戶的當前 連線的 AP 與前一個連線的 AP，來預測下一個目標 AP，此預測模型的轉換機率如公式 (2.1) [13]所示。

(2.1)

8

Figure 2.1：User from AP_A to another [13] Figure 2.2：Flowchart for Prediction [13]

 MPB [14]：

MPB [14]提出一個在行動用戶高移動性情況下的行動位置管理機制，透過地圖資訊、

GPS 定位裝置以及用戶長期的移動記錄進行用戶行動預測，藉此尋找位置更新的最佳門 檻。其預測機制主要關注行動用戶之目的地，觀察其移動偏好（Moving Preferences），

而非行動用戶在 Cell 或路段中的轉換，這些行動用戶的長期移動歷史資訊，包含了行動 用戶的目的地（Destination）及時間索引（Time Index），儲存於基地台（Base Station, BS）

的資料庫中，用來作為行動預測的依據；此研究並假設每個行動用戶皆具備 GPS 功能，

而基地台具備電子地圖及資料庫，最後透過實測來驗證所提出的方案確實可降低位置更 新所造成的系統資源消耗。

 MPMboLC [16]：

[16]提出適用於異質網路的行動預測機制（Mobility Prediction Mechanism based on Logistic Cells, MPMboLC），由於不同網路技術的標準與協定需求皆有所差異，大多數 行動預測的機制都建構於同質網路，要在多種網路技術混合的異質網路中實現，可說是 相當困難，因此利用 IEEE 802.21 [35]的異質整合方案，針對各種不同的網路技術提供 一個行動預測的帄台。

9

此研究著重關注預測行動用戶即將進入的 Cell，欲達此目的，需獲得異質網路中的 拓樸結構，可透過兩種方式：一是設計專門的控制訊息（Signaling）來獲取不同網路中 其他鄰居節點的訊息，增加通訊的機會，但此方法實行上十分艱難；二是透過第三方（可 能是專門的伺服器），來收集不同網路中的資訊，並提供給行動用戶，此方式可由 IEEE 802.21 的媒體獨立換手協議（Media Independent Handover, MIH）來完成。

 VADD [23]：

VADD [23]為 J. Zhao 與 G. Cao 等人所提出，在都市環境（Urban）下，透過車輛來 協助資料傳遞，假定每台車輛皆清楚自身位置，且具備街道靜態地圖資訊及交通流量統 計（Traffic Statistics），藉由地圖及流量統計所得出的街道權重（Street Graph Weighted），

來估測兩相鄰路口間的路段資料抵達延遲時間（Packet-Delivery Delay），將資料封包傳 遞至預測車流量較密集的路段，如 Figure 2.3 所示，雖然路段 I_a至 I_b具有較短的地理距 離，但車輛會經由 Ia、Ic、Id至 Ib的路段傳送。

而其資料延遲計算模型（Data Delivery Delay Model）如 Figure 2.4 所示，若車輛週 遭無合適的對象可協助傳輸，該車輛會先將資料封包暫存在自身的 Buffer 中，留待連接 上合適的中繼車輛再進行傳遞（即 Carry and Forward）。由於車輛行進間可能會偏離預 測路徑，因此若處於 Forwarding Process 的階段時，車輛會不斷地重新估測延遲時間最 低的路徑，作為下一個遞送的目標。VADD 同時為適用 VANET 中都市街道環境之資料 遞送路由協定，因此本文中將其列為比較對象之一。

Figure 2.3：System Scenarios of VADD[23] Figure 2.4：Delay Model of VADD[23]

10

 MRP [24]：

MRP [24]考慮在蜂巢式網路（Cell-Network）中的網路流量行為（Network Traffic Behavior），包含用戶在 Cell 中處於活躍狀態（Active）時的逗留時間（Sojourn Times）、

移動模式（Movement Patterns）及位置，透過馬可夫鍊的更新過程（Markov Renewal Process）、又稱半馬可夫過程（Semi-Markov Process），來預測在特定時間 t，任意行 動用戶從當前位置移動到下一個 Cell 的轉換機率，藉此可進行網路資源管理（如頻寬的 配置），使行動用戶的感受能維持良好的服務品質（Quality of Service, QoS）。

此研究並利用真實的蜂巢式網路中，自各個 Cell 收集來的用戶流量記錄（Real Traffic Data）來做數學分析：以行動用戶在特定兩個基地台到其鄰近位置的轉換為例，驗證其 預測系統在 200 筆真實記錄中，能達約 46.4%的準確度；此研究中行動用戶移動路徑的 示意圖如 Figure 2.5 [24]。

Figure 2.5：The terminal's mobility path in Cell Network [24]

 Pattern matching [25]：

Pattern matching [25] 認為過去在 MANET 中的行動預測機制如[26-29]等研究，其預 測系統中的行動節點移動性是非隨機（Nonrandom），意即網路拓樸實際上是靜態的，

傴假設各個行動節點知悉自己的當前位置、移動速度與運動方向夾角（Motion Direction Angle），並以此來預測各行動節點的未來位置或鄰居節點；對於行動用戶的移動性，

需考量其突然的移動變化[28, 29]，若傴假設行動節點是線性移動，並不符合真實世界的

11

情境。對於現實中的行動節點移動性，應參考如[30]的文獻中所提出，在不同的環境中，

模擬真實世界行動節點之運動規律的移動模型（Mobility Models）。

由於不同的移動模型具有不同的運動模式（Mobility Pattern）、採樣率（Sampling Rate）及不同的速度區間，將會大幅影響行動預測的準確度[25]；因此[25]提出一個評估 機制，在特定時間內，每個節點會維護自身的移動歷史記錄，包含其先前的位置，進行 每一次的預測時，節點會查詢（Query）自己過去的移動記錄，尋找相似的運動模式，

根據一個匹配門檻值（Match Threshold），依不同的移動模型動態改變其評估係數（即 Mobility Pattern Matching），藉此更準確的預測兩個相鄰節點間的未來距離，進而減少 網路拓樸的負載（Overhead）及行動節點的電量消耗。

此研究並透過 Mobisim [31]產生 20 組行動節點的移動記錄（Mobile Trace），包括 每個節點的位置、移動速度及運動方向夾角，代表真實的節點移動對照組；再利用 Matlab [32]實作其提出的機制在不同移動模型下的表現情形。

其驗證結果顯示，在對行動節點進行未來位置預測時，不論考慮何種移動模型，其 預測之錯誤率皆減少許多，且大幅貼近節點實際上的未來距離。Figure 2.6 [25]表示了在 高速公路移動模型（Freeway Mobility Model）與曼哈頓移動模型（Manhattan Mobility Model）下，兩行動節點間實際的未來距離、未參考移動模型的預測機制（圖中以 Simple Prediction 代表）與此研究提出的評估機制（圖中以 Enhanced Estimators 代表），三者 預測錯誤率的表現情形。因此在本論文中，對於校園及城市環境中行動用戶的移動模式，

亦納入了曼哈頓移動模型作為參考。

12

Figure 2.6：Average Distance Prediction Error in Mobility Model [25]

 YL Tang’s Scheme [33]：

YL Tang’s Scheme [33] 提出一個在缺乏行動用戶歷史位置資訊的情況下，依據 Cell 的敏感範圍（Sensitive Ranges）進行行動預測的機制；此方法按照行動用戶在 Cell 之間 的轉換機率來分割 Cell 的敏感範圍，再以分割後的敏感範圍為基礎進行預測：在 Cell 之間的轉換機率（Probability of Cell Transformation）定義為敏感度（Sensitivity），轉換 機率越大，表示敏感度越高，反之亦然。

以一個六角型的 Cell 為例，將其敏感度分為三個範圍，依敏感度低到高依序編號，

如 Figure 2.7 [33]所示，最內黑色部分為敏感度最低的 1 號範圍、中間陰影部分為敏感度 中等的 2 號範圍，以及最外側白色部分敏感度最高的 3 號範圍；計算行動用戶當前位置 與 Cell 間的最短距離，若是落在 1 號範圍，則預測行動用戶的未來位置會停留在當前的 Cell 中，若落在其他範圍，則依相對應的演算法計算行動用戶的下一個 Cell 位置。此機 制與利用一階馬可夫模型（Order-1 Markov）做行動預測的方法進行比較，可驗證其預 測精準度有較佳表現，然而此機制以用戶步行速度進行模擬，接近靜態拓樸，也無用戶 移動性考量，較不符合真實世界之情境。

13

Figure 2.7：Sensitive divisions in a regular hexagonal cell [33]

 M Chegin’s Scheme [34]：

M Chegin’s Scheme [34]在都市（Urban）環境，提出鏈結存活時間（Link Expiration Time）的預測機制，使網路中的行動節點能依此選擇較可靠與持久的路徑，避免自行尋 找路徑（Discover Path）的程序，藉此最佳化路由及提高系統整體效能。此研究以曼哈 頓移動模型來模擬都市的街道地圖，並依據行動用戶（如車輛或行人）在地圖上一個時 間單位裡所移動的距離（即 Hop Movement）進行預測，所有預測出的鏈結存活時間會 儲存在預測表（Prediction Table）中；並假設所有的行動用戶皆具備都市地圖，預測表 會儲存於每個行動用戶中且能夠重複使用。此研究的廠井範例如 Figure2.8 [34]所示，圓 圈代表十字路口，雙向直線代表雙向街道，方塊及人形分別代表車輛與行人，虛線則表 示了所有可能的鏈結。

Figure 2.8：All possible links after one movement [34]

14

 MMPA [36]：

MMPA [36]指出，當新的行動用戶進入網路，預測系統中對於該用戶的移動記錄

（Mobile Trace）相當稀少，由於並無太多參考資料，此時若實施基於用戶歷史紀錄的 行動預測便會發生困難，因而此研究提出一個針對網路中新用戶行為預測的方案，利用 改良式的馬可夫模型（Markov-based Mobility Prediction Algorithm, MMPA）來實現。

此方案考量該新用戶所處之行動網路的特性及傳播條件（Propagation Conditions），

並將 Cell 的訪問頻率（Visit Frequency）納入預測系統， 此外為了降低兵乓效應（Ping Pong Handover）的影響，設置一門檻值使預測結果更加精確；進行預測時，預設使用二 階馬可夫模型估測，但需檢查系統中是否有足夠的移動記錄可參考，若資訊不足，便改 用 一 階 馬 可 夫 模 型 。 此 方 案 並 透 過 真 實 的 移 動 記 錄 ， 包 括 網 路 可 用 性 （ Network Availability）、通訊訊號等級（Signal Levels）、手機內容資訊（Context Information）

等，來驗證其方案的預測表現，約有將近 70%的準確度。

 Bo's Scheme [37]：

Bo's Scheme [37]利用隱藏式馬可夫模型（Hidden Markov Model, HMM），以子網路

（Subnet）覆蓋區域的訊號強度值作為預測條件，預測行動節點未來可能存取的子網路，

並在 Figure 2.9 的圓形場景中進行模擬分析，A 到 E 是帄均分配在場景最外側的存取路 由器（Access Router, AR），中間的彎曲實線代表行動節點的可移動路徑，在隨機的間隔

並在 Figure 2.9 的圓形場景中進行模擬分析，A 到 E 是帄均分配在場景最外側的存取路 由器（Access Router, AR），中間的彎曲實線代表行動節點的可移動路徑，在隨機的間隔