本論文的架構如下：第一章緒論描述了研究的動機、問題描述與研究目標；第二章 相關研究分別概述車載隨意網路、雲端運算技術、行動預測機制、適用於資料遞送之路 由協定與隱藏式馬可夫模型的介紹與定義；第三章研究方法的部分則說明了系統架構、
方法流程及本文所提出的預測機制介紹；第四章效能分析則展示了本論文提出的機制模 擬分析的結果與說明；第五章結論的部分說明了論文貢獻與未來工作。
4
第 2 章、相關研究 2.1 VANET
車載隨意網路（Vehicular Ad Hoc Network, VANET）為無線隨意網路（Mobile Ad Hoc Network, MANET）的變化應用，主要描述具備通訊能力的車輛行駛於道路 時，得以與其他車輛進行資訊交換，或透過路邊裝置的基礎建設（Infrastructure）
連接上網際網路，使用各式各樣的應用與服務。藉由結合其他交通運輸工具與感測 技術，更可協助智慧型運輸系統（Intelligent Transportation System, ITS），改善行 車安全、運輸效率與交通壅圔等問題 [1]。VANET 的形成環境可能在高速公路、
鄉村小徑或都市的道路之間，因其具有較為特殊的形成條件及行為，在通訊上的特 性與 MANET 相較之下，具有較無限制的網路規模（Network Scale）、可能不斷分 割或重組的網路結構、快速動態改變的網路拓樸、間歇性的通訊連線與較高的移動 性（High Mobility）等 [2, 3]。依據車輛進行通訊時所連接的對象，可分為以下三 種通訊模式 [4, 5]：
Roadside-Vehicle Communications（RVC）：又稱 Vehicle-to-Roadside（V2R），
車輛可以透過路旁的 AP 或是基地台連線到網際網路索取所需的資訊。
Inter-Vehicle Communications（IVC）：又稱 Vehicle-to-Vehicle（V2V），周 遭無基礎建設的情況下，車輛得以與鄰近車輛獨立通訊。
Hybrid-Vehicle Communications（HVC）：結合 RVC 以及 IVC 之網路架構，
使用此通訊方式能夠增加網路傳輸的可靠性、效能與服務性。
2.2 雲端運算
在後端的骨幹網路中，建構多台電腦伺服器與資料庫，藉以提供網路使用者的運算 服務，便稱之為雲端運算（Cloud Computing）[6]。若將在用戶端上執行的應用軟體轉 移至雲端運算上，不傴可減低用戶端資訊設備維護的費用，更能有效利用資源。雲端運
5
算技術除了可降低使用者於軟硬體各方面的成本（Cost），置於雲端上的資源便於提供 多使用者共享，且較易於維護，並具有可持續發展性（Sustainability），然而資料與個 人隱私安全性（Security）等問題亦成為一大挑戰 [7, 8]。
2.3 行動預測技術簡介
2.3.1 行動預測背景
行動預測技術的重要性一開始來自 Mobile Location Services（MLS）[9-11]，根據使 用者當前或未來的所在位置（Current or Predicted Location）、結合使用者的個人資訊
（Profiles），藉此提供增強性的無線服務，諸如服務供應商發送鄰近地區的線上廣告
（Pushed Online Advertising）、依據位置動態調整的地圖（Map Adaptation）、使用者 收集到的資料（User-Solicited Information）如交通訊息、天氣預報等等，亦可使相鄰地 區的使用者進行即時訊息溝通，或是藉此提供路線指引，引領人們到達目的地 [12]。
使 用 者 的 行 動 預 測 （ User Mobility prediction ） 對 於 協 助 換 手 管 理 （ Handoff Management）、資源預留（Resource Reservation）、預先配置服務（Service Preconfiguration）
等扮演著關鍵的角色 [12]；資料傳遞時，透過用戶行動預測可協助行動用戶在行進間的 換手管理、資源預留和服務預先配置等，增進資料傳輸時的效率與可靠度 [13]；而[14]
中也提到倘若行動終端的位置能預先知悉，位置更新（Location Update）的頻率便能夠 大幅降低。此外，行動用戶的移動，將導致網路拓樸的頻繁變化，透過行動預測可減輕 此情況所帶來的影響 [15]，如導致連線頻繁中斷、封包延遲時間及遺失率提高、資料傳 輸效能與服務品質低落等。在[16]中也提到，不論是同質網路（Homogeneous Networks）
或異質網路（Heterogeneous Networks），行動預測都是非常重要的議題，除了可應用在 行動管理機制上，也與允入控制（Call Admission Control, CAC）、促進更帄滑的換手
（Smooth Handover）、資源預留及提升服務品質密切相關。
6
廣義而言，行動預測涵蓋了位置預測（Location Prediction）、距離預測（Distance Prediction）、鏈結持續時間預測（Link Duration Prediction）、鏈結可用性預測（Link Availability Prediction）等，也可應用於路由協定（Routing Protocols）中 [15]；狹義來 說，行動預測的方法大多與行動用戶的位置資訊相關 [13, 17]，預測的方式可被定義為 行動用戶在網路中移動時，下一個連接網路的存取位置，例如基地台 [13, 17]。
2.3.2 行動預測技術分類
有關行動預測的技術，[14]中依據進行預測的考量方式概分為三種策略：個人資訊 基礎策略（Profile-Based Strategy, PBS）、行為基礎策略（Behavior-Based Strategy, BBS）
及道路拓樸基礎策略（Road-Topology-Based Strategy, RTB） [14]。
個人資訊基礎策略（Profile-Based Strategy，PBS）：考慮行動用戶的長期移動歷 史資訊，包含移動路徑（Moving Paths）、移動的特性（Moving Characteristics）等，
列出用戶最有可能的未來位置；此方法可有效減少位置更新（Location Update），
然而一旦行動用戶的數量增加，整體控制訊息成本（Signaling Costs）隨之提高，
呼叫（Paging）及分頁延遲（Page Delay）的成本亦會增加 [18] 。
行為基礎策略（Behavior-Based Strategy，BBS）：此方法透過觀察儲存在資料庫 中的大量用戶移動記錄，如連線時間、使用 IP、識別資訊等，觀察其規律行為來對 行動用戶做預測；優點是預測準確度較高，但也因每個行動用戶通常都具有一個以 上的移動行為，並會不時地改變路徑，使得負責記錄行動用戶移動行為的資料庫維 護成本提升，系統較缺乏彈性及擴充性 [19, 20]。
道路拓樸基礎策略（Road-Topology-Based Strategy，RTB）：藉由數位地圖與 GPS 定位裝置，配合來自行動用戶的即時訊息，在特定的時間間隔或距離內，可提供準 確性較高的行動預測；且由於系統中具備了地圖及道路資訊，較能掌握行動用戶與
7
連線對象（如基地台）換手的時刻，藉此可較有效率的進行連線資源的預約保留。
然而在行動用戶快速移動的情況下，位置更新的成本將大幅提升 [21, 22]。
以上三種行動預測策略的比較如 Table 2.1 [14]。
Table 2.1：Comparisons of Mobility Prediction Techniques [14]
Database Data Mining MAP GPS Flexibility Accuracy Profile-based Normal No No No Poor Normal Behavior-based High Required No No Poor Best Road-topology-based Low No Yes Yes Normal Normal
2.3.3 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 APA 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 Ia至 Ib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）。
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）。