6、新型基于马尔可夫的移动网络移动性预测算法

新型基于马尔可夫的移动网络移动性预测算法

现有预测算法分析

在移动网络的移动性预测领域，前人已经做了不少研究。例如，Song和Kotz对比了基于马尔可夫和基于压缩的预测器。他们利用真实Wi - Fi无线网络的移动模式进行研究，发现低阶马尔可夫预测器的性能优于更复杂且更占空间的基于压缩的预测器。为解决新移动设备移动轨迹不佳的问题，他们为每个马尔可夫预测器引入了一种简单的回退机制。不过，当出现新的上下文时，该预测模型仍存在缺陷。

全局预测算法（GPA）

全局预测算法（GPA）基于用户的移动轨迹和二阶马尔可夫链。对于每个移动用户，增强网关（EGW）会在历史轨迹L中保存该用户在时间段T内经过的所有小区的标识。T的值为每个移动用户固定，可通过实验进行优化。当移动用户连接到网络时，L仅包含用户连接网络所在小区的标识。每个移动用户的移动通过连续时间马尔可夫过程建模，其离散状态为网络中的小区。

为进行预测，GPA使用基于二阶马尔可夫的预测器。因此，移动用户访问下一个小区的概率不仅取决于其当前所在小区，还取决于之前访问过的小区。对于每个移动用户，GPA会评估从其当前小区Ci到Ci邻域（相邻小区）Γ(Ci)中每个小区的转移概率。

对于每个小区Ci，定义了元组(M, N, r)：
- 对于Γ(Ci)中的每对小区Cj和Ck，M(CkCi, Cj)是移动用户过去从小区Ci转移到小区Cj的次数，前提是每次发生这种转移时，移动用户之前都在小区Ck。
- N(Ck, Ci)是移动用户从小区Ck转移到小区Ci的次数。
- r(Ci)表示移动用户在小区Ci的平均停留时间。

每个移动用户允许的内存限制为固定大小的L。将此内存