4.3.1 不同車速下的預測準確率
(1) 實驗設計目的：
在車載網路中進行通訊時，常因車輛的移動與網路拓樸的動態改變，使得連線 容易頻繁中斷，若能預測車輛移動過程中在每個街口可能轉彎的方向，意即事先推 估車輛未來的位置，基地台便能預先配置連線資源給車輛、或將車輛斷線前尚未傳 輸完畢的資料事先轉送至車輛未來位置附近的基地台，藉此可降低因連線頻繁中斷 帶來的影響，如封包遺失、遞送帄均延遲時間拉長等，因此預測準確率越高越好。
(2) 實驗結果：
在模擬時間 400 秒，行車速度最小為 5 m/sec，最大分別為 10、20、30、40 m/sec，
加速度為 1 m/sec 的情形下，車輛轉彎方向的預測準確率維持在 63%至 70%之間。
(3) 小結：
本實驗的車輛屬於高移動性的隨機移動，行車速度落差越大，行動預測的困難 度會提升，但因本文提出的預測機制中已將車輛之高移動特性納入預測考量，因此 由 Figure 4.2 可觀察到車輛轉彎方向的預測準確率，即使在行車速度提升的情況下 亦能保持帄穩的預測表現，較適用於真實車載環境中。
Figure 4.2：Accuracy of Mobility Prediction for Different Vehicle Speed 0.3
0.4 0.5 0.6 0.7
10 20 30 40
Acc uracy (%)
Max Vehicle Speed (m/s)
47
4.3.2 不同模擬時間下的預測準確率
(1) 實驗設計目的：
隨著車輛在網路系統中通訊的時間越長，能作為行動預測參考的資訊便越多，
因此車輛轉彎方向的預測準確率應會隨之提升，預測準確率越高越好。
(2) 實驗結果：
行車速度最小為 5 m/sec，最大為 20 m/sec，加速度為 1 m/sec 的情形下，車輛 轉彎方向的預測準確率，於不同模擬時間 400、800、1200、1600 秒的表現情形，
維持在 67%至 71%之間。
(3) 小結：
Figure 4.3 表示了預測車輛轉彎方向時，在不同模擬時間下的表現，可觀察出 本文提出的預測機制，並不會因為時間拉長而越低落，而是漸高後趨於帄穩。
Figure 4.3：Accuracy for Different Simulation Time
4.3.3 轉彎次數對預測準確率的影響
(1) 實驗設計目的：
對於以過往轉彎狀態及車輛過往行動軌跡建立行動預測模型的機制而言，隨著 時間的推移，車輛在網路系統中轉彎的狀態及可供參考的行動記錄亦隨之增加，因
0.3 0.4 0.5 0.6 0.7 0.8
400 800 1200 1600
Acc uracy (%)
Simulation Time (sec)
48
Figure 4.4：Effect of Sequence Length on Prediction Accuracy
4.3.4 轉彎方向與未來 AP 的預測準確率
The Number of Vehicle Turn Direction
49
(2) 實驗結果：
在模擬時間 400 秒，行車速度最小為 5 m/sec，最大分別為 10、20、30、40 m/sec，
加速度為 1 m/sec 的情形下，車輛轉彎方向的預測準確率位於 63%至 67%之間，車 輛目標基地台的預測準確率則位於 67%至 71%之間。
(3) 小結：
由 Figure 4.5 的實驗結果可觀察到，車輛轉彎方向的預測準確率（圖中以 Turn direction of intersections 表示）與車輛目標基地台的預測準確率（圖中以 Next AP Selection 表示）表現，分佈的曲線趨勢十分相近，可驗證本文提出的行動預測機制 確實能藉由預測車輛轉彎的狀態，推估目標基地台位置。
Figure 4.5：Accuracy of Prediction Hit Rate 0.6
0.62 0.64 0.66 0.68 0.7 0.72
10 20 30 40
Acc uracy (%)
Vehicle Speed (m/s)
Turn direction of intersections
Next AP Selection
50
如 Figure 4.6 中所示，MPV2R 所需的連線重設次數皆少於 Original V2R，且隨 著行車速度的提升，兩者所需的連線重設次數亦隨之攀升，而 MPV2R 的表現仍優 於 Original V2R，因此本文提出的行動預測機制確實對於減低連線頻繁重設有明顯 的改善。
Figure 4.6：The Number of Re-Connection for Different Vehicle Speed 0