移动机会网络中用户移动模型研究

《移动机会网络中用户移动模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文｜移动机会网络中用户移动模型研究作者姓名刘弦弦ｖ二学校导师姓名、职称易运晖副教授企业导师姓名、职称张振生高工申请学位类别工程硕士学校代码10701学号1501120543分类号TN92密级公开西安电子科技大学硕士学位论文移动机会网络中用户移动模型研究作者姓名：刘弦弦领域：电子与通信工程学位类别：工程硕士学校导师姓名、职称：易运晖副教授企业导师姓名、职称：张振生高工学院：通信工程学院提交日期：2018年6月ResearchonUserMobilityModelinOpportunisticNetworksAthesissubm

2、ittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationsEngineeringByLiuXianxianSupervisor:YiYunhuiTitle:AssociateProfessorSupervisor:ZhangZhenshengTitle:SeniorEngineerJune2018西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的

3、论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含一为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我同工作的同事对本研宄所做的任何贡献均已在论文中作了明确的说明并表示了谢意。一学位论文若有不实之处，本人承担切法律责任。本人签名：孩贫日期：ｙｃ＾叫＼（ｆ西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定：研宄生在，即校攻读学位期间论文工作的知识

4、产权属于西安电子科技大学。学校有权保留送交论文、的复印件，允许查阅借阅论文，；学校可以公布论文的全部或部分内容允许釆用影印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研宄成果完成的论文、发明专利等成果，署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。＿本人签名：ｊｉｍ导师签名：－．日期：Ｈ＇ｄＵＱ１２Ｌ／６日期：７摘要摘要近年来，像智能手机、平板电脑等各种方便携带、成本低廉、计算能力强、具备短距离无线通信能力的智能设备得到了迅速普及，这推动了移动机会网络的蓬勃发展。移动机会网络与传统网络的不

5、同之处在于：机会网络是通过利用用户节点在移动过程中彼此之间相遇而实现节点之间通信的一种移动网络，因此，机会网络中用户之间通信的最基本的前提就是需要用户彼此的接触。所以，对移动机会网络中用户的移动特性和模型进行分析，是移动机会网络的重要研究内容之一。移动机会网络中的用户移动模型应该在最大程度上符合现实中的移动场景，因此目前最准确、可靠的建模方法就是采集现实场景中移动用户的移动数据，然后分析得到移动模型。但是，目前用户移动数据采集与特性分析系统存在网络接口单一、数据采集维度低、所收集到的数据不能全面的反应移动用户行为等问题。本文给出了移动数据采集系统和用户移动模型

6、分析系统的设计方案，通过JAVA语言实现了数据采集系统，详细介绍了该数据采集系统的核心模块：蓝牙扫描模块、GPS模型、WiFi扫描模块、云端服务器模块。同时，针对收集到的数据分析了用户的移动特性。现有的机会网络用户移动模型不能很好的对用户的相遇进行预测，因此，本文基于移动用户真实移动数据，提出了利用长短时记忆网络的方案对移动用户的相遇行为进行预测。首先，采集移动用户的蓝牙扫描数据、GPS轨迹数据以及WiFi扫描数据，经过处理后，获得移动用户相遇时间序列，并使用Word2Vec模型将时间序列进行向量化；然后，搭建长短时记忆网络神经网络模型，对其进行训练，获得用户

7、相遇预测模型。利用采集到的其中6位移动用户的数据进行测试验证，平均预测准确率为93.6%。预测结果表明，本文提出的基于长短时记忆网络的移动用户相遇预测模型具有较高的准确率。在对移动用户相遇概率预测的基础上，为了能更好的刻画移动用户相遇时的时间、空间信息，本文提出基于隐马尔可夫模型的移动用户相遇持续时间和相遇地点的预测方法。首先，在获得移动用户相遇时间序列的基础上，通过分析、处理移动用户的数据，获得与移动用户相遇序列相对应的相遇持续时间序列和相遇地点时间序列；接着，以用户相遇序列为观测状态，分别以相遇持续时间和相遇地点为隐藏状态建立隐马尔可夫模型，并通过数据对模

8、型进行训练，从而得到相应的相遇持续时间