2.5.1 HMM 模型概述
隱藏式馬可夫模型（Hidden Markov Model, HMM）是一種統計機率模型，用來描述 一個含有隱含未知參數的馬可夫模型，透過觀察可觀測的參數，來推估此模型中的隱含 參數。如 Figure 2.5 所示，S1至 SN為隱含、無法立即觀測出的狀態，稱之為隱藏狀態
（Hidden States），O1至 ON則代表了可觀測出的狀態，又稱為觀察值（Observations），
每個狀態之間可以互相轉換，具有狀態轉移機率（States Transition Probabilities），在每 個狀態其可能的觀察值輸出上亦有一個觀察值產生機率（Emission Probabilities），透過 觀察值組成的序列，可以得知狀態間的轉換情形 [42]。
一般的馬可夫模型傴有可能的狀態與狀態之間的轉換這兩種元素組成，其狀態之間 的轉換機率便是所有的模型參數；而隱藏式馬可夫模型具備兩種機率，分別為狀態轉移 機率與觀察值轉換機率，如上段所述，可藉由分析觀察值的輸出序列，來得知無法直接 觀測的隱藏狀態資訊，因此隱藏式馬可夫模型常被用於分析各種序列資料，如人工智慧、
生物信息學、解基因序列、語音識別等 [43]。
20
在本文中，使用隱藏式馬可夫模型來描述車輛在網路系統中的移動情形，藉此建立 車輛未來位置的行動預測模型。假設隱藏式馬可夫模型所考慮的參數越詳盡，並設計良 好的狀態轉移圖，其模擬及預測的結果便會更接近真實結果。
Figure 2.13：A HMM Model [13]
2.5.2 HMM 模型元素定義
隱藏式馬可夫模型由五項元素所組成，分別為隱藏狀態、觀察值、狀態轉移機率、
觀察值產生機率與初始狀態機率，分別描述於下 [44]：
(1) 隱藏狀態（Hidden States）：代表實體的資訊，狀態與狀態之間會互相轉換，
每一個狀態都有可能由其他狀態轉換而來，以集合 S 表示。
(2) 觀察值（Observations）：每一個狀態都有其相對應的觀察值，不同的狀態會 對應到不同的觀察值，可代表不同狀態下可能會發生的行為，以集合 O 表示。
(3) 狀態轉移機率（States Transition Probabilities）：狀態與狀態之間的轉換存在 不同的轉移機率，前一個狀態到下一個狀態的轉移機率，以集合 A 表示。
(4) 觀察值產生機率（Emission Probabilities）：不同狀態到觀察值之間會有不同 的觀察值產生機率，以集合 B 表示。
(5) 初始狀態機率（Initial State Probabilities）：系統時間初始時，每個狀態具有 一初始機率，以集合Π 表示。
21
馬可夫模型尤其適合用於分析過往大量歷史資料，並依據過往資料評估觀測的結果，
推導出未來可能發生的事件機率，因此也被常被利用於估測網路中行動節點的行為預測，
例如第 2.3.3 節所述之 MRP [24]便是以一個簡單的馬可夫更新過程來預測行動節點未來 可能進入的 Cell，MMPA [36]則在系統中行動節點可供預測的參考資料較少時，利用馬 可夫模型來預測節點未來可能進入的 Cell。
倘若欲考慮的預測條件中，具有無法立即觀測出的事物，即隱含參數的存在，便可 透過隱藏式馬可夫模型來探討，其能利用系統中可觀測的其他參數，來推估隱含參數的 資訊並加以分析，能夠使得預測的結果更精確，如第 2.3.3 節所述之 Prasad’s Scheme [13]
藉此預測行動節點未來可能連接的 AP、Bo’s Scheme [37]，藉此預測行動節點未來可能 存取的子網路、Hsu’s Scheme [38]藉此預測行動節點未來可能進入的 Cell 等。因此本文 亦選用隱藏式馬可夫模型來建立行動預測機制，針對在街道環境中行駛的車輛未來的可 能位置進行預測。
22
第 3 章、研究方法
本章針對本文所提出的研究方法加以說明，第 3.1 節將描述整體系統的架構，包含 系統模型、網路架構與各組成元件之介紹；第 3.2 節將描述研究方法的流程，包含在不 同情況下的訊息傳遞流程與步驟說明；第 3.3 節將描述預測機制的細節，包含作為預測 條件參考的 Mobility Model 與 Mobile Trace 介紹、預測模型中的各項元素定義、預測模 型建立的過程與預測方法的敘述等。