【摘要】：近年來,像智能手機、平板電腦等各種方便攜帶、成本低廉、計算能力強、具備短距離無線通信能力的智能設(shè)備得到了迅速普及,這推動了移動機會網(wǎng)絡(luò)的蓬勃發(fā)展。移動機會網(wǎng)絡(luò)與傳統(tǒng)網(wǎng)絡(luò)的不同之處在于:機會網(wǎng)絡(luò)是通過利用用戶節(jié)點在移動過程中彼此之間相遇而實現(xiàn)節(jié)點之間通信的一種移動網(wǎng)絡(luò),因此,機會網(wǎng)絡(luò)中用戶之間通信的最基本的前提就是需要用戶彼此的接觸。所以,對移動機會網(wǎng)絡(luò)中用戶的移動特性和模型進行分析,是移動機會網(wǎng)絡(luò)的重要研究內(nèi)容之一。移動機會網(wǎng)絡(luò)中的用戶移動模型應(yīng)該在最大程度上符合現(xiàn)實中的移動場景,因此目前最準確、可靠的建模方法就是采集現(xiàn)實場景中移動用戶的移動數(shù)據(jù),然后分析得到移動模型。但是,目前用戶移動數(shù)據(jù)采集與特性分析系統(tǒng)存在網(wǎng)絡(luò)接口單一、數(shù)據(jù)采集維度低、所收集到的數(shù)據(jù)不能全面的反應(yīng)移動用戶行為等問題。本文給出了移動數(shù)據(jù)采集系統(tǒng)和用戶移動模型分析系統(tǒng)的設(shè)計方案,通過JAVA語言實現(xiàn)了數(shù)據(jù)采集系統(tǒng),詳細介紹了該數(shù)據(jù)采集系統(tǒng)的核心模塊:藍牙掃描模塊、GPS模型、WiFi掃描模塊、云端服務(wù)器模塊。同時,針對收集到的數(shù)據(jù)分析了用戶的移動特性�，F(xiàn)有的機會網(wǎng)絡(luò)用戶移動模型不能很好的對用戶的相遇進行預(yù)測,因此,本文基于移動用戶真實移動數(shù)據(jù),提出了利用長短時記憶網(wǎng)絡(luò)的方案對移動用戶的相遇行為進行預(yù)測。首先,采集移動用戶的藍牙掃描數(shù)據(jù)、GPS軌跡數(shù)據(jù)以及WiFi掃描數(shù)據(jù),經(jīng)過處理后,獲得移動用戶相遇時間序列,并使用Word2Vec模型將時間序列進行向量化;然后,搭建長短時記憶網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)模型,對其進行訓(xùn)練,獲得用戶相遇預(yù)測模型。利用采集到的其中6位移動用戶的數(shù)據(jù)進行測試驗證,平均預(yù)測準確率為93.6%。預(yù)測結(jié)果表明,本文提出的基于長短時記憶網(wǎng)絡(luò)的移動用戶相遇預(yù)測模型具有較高的準確率。在對移動用戶相遇概率預(yù)測的基礎(chǔ)上,為了能更好的刻畫移動用戶相遇時的時間、空間信息,本文提出基于隱馬爾可夫模型的移動用戶相遇持續(xù)時間和相遇地點的預(yù)測方法。首先,在獲得移動用戶相遇時間序列的基礎(chǔ)上,通過分析、處理移動用戶的數(shù)據(jù),獲得與移動用戶相遇序列相對應(yīng)的相遇持續(xù)時間序列和相遇地點時間序列;接著,以用戶相遇序列為觀測狀態(tài),分別以相遇持續(xù)時間和相遇地點為隱藏狀態(tài)建立隱馬爾可夫模型,并通過數(shù)據(jù)對模型進行訓(xùn)練,從而得到相應(yīng)的相遇持續(xù)時間預(yù)測模型和相遇地點預(yù)測模型;最后,利用采集到的其中6位移動用戶的數(shù)據(jù)進行測試驗證,在移動用戶相遇持續(xù)時間預(yù)測上,平均預(yù)測準確率為72.1%;在移動用戶相遇地點預(yù)測上,平均預(yù)測準確率為80%。預(yù)測結(jié)果表明,本文提出的基于隱馬爾可夫模型的移動用戶相遇持續(xù)時間和相遇地點預(yù)測模型具有一定的可行性。通過以上工作,本文在真實場景下移動用戶數(shù)據(jù)的基礎(chǔ)上,建立了機會網(wǎng)絡(luò)中用戶間相遇的預(yù)測模型,實現(xiàn)了對機會網(wǎng)中移動用戶間相遇概率的預(yù)測,同時實現(xiàn)了對移動用戶相遇持續(xù)時間和相遇地點的預(yù)測。由于時間、人力有限,今后在數(shù)據(jù)收集上應(yīng)該考慮更長的時間、更多的用戶節(jié)點,這樣才能更好的反應(yīng)用戶的移動特性;同時,對于算法模型,還需要優(yōu)化處理,已達到更好的預(yù)測準確率。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN929.5
【圖文】：

中的機器學(xué)習(xí)庫 sklearn 中的 AgglomerativeClustering 方法進行仿真，仿真結(jié)果如圖4.5 所示。其中，橫軸標為用戶相遇持續(xù)時間。圖4.5 移動用戶相遇持續(xù)時間聚類結(jié)果4.4.2 HMM 參數(shù)學(xué)習(xí)隱馬爾可夫模型的學(xué)習(xí)主要分為兩種：監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。（一）監(jiān)督學(xué)習(xí)方法如果訓(xùn)練數(shù)據(jù)中含有觀測序列以及和觀測序列相對應(yīng)的狀態(tài)序列，利用這種數(shù)據(jù)來進行參數(shù)學(xué)習(xí)的方法就是監(jiān)督學(xué)習(xí)。假設(shè)訓(xùn)練數(shù)據(jù)為1 1 2 2{( , ),( , ), ,( , )}S SO I O I O I，其中，( , ),i=1,2, si iO I 表示一對長度相同的觀測序列和狀態(tài)序列，則可以使用極大似然法來計算 HMM 的參數(shù)。具體方法如下：（1）轉(zhuǎn)移概率ija 的估計假設(shè)訓(xùn)練樣本中某些樣本在時刻t的狀態(tài)為i，而在時刻 t 1卻轉(zhuǎn)移到狀態(tài) j ，在總的樣本中經(jīng)過這樣轉(zhuǎn)移的樣本的個數(shù)為ijA ，則狀態(tài)轉(zhuǎn)移概率 為

了阿里巴巴的云服務(wù)器，利用服務(wù)器端的公網(wǎng) IP，便于客戶端用戶傳輸數(shù)據(jù)。移動用戶數(shù)據(jù)系統(tǒng)的總體設(shè)計架構(gòu)如圖 5.2。圖5.2 移動用戶數(shù)據(jù)收集系統(tǒng)總體設(shè)計架構(gòu)GPS 模塊：移動對象軌跡可以看作是移動對象隨時間在空間范圍內(nèi)運動產(chǎn)生的記錄，采樣點主要包含地理位置信息、時間信息等。本數(shù)據(jù)采集系統(tǒng)，在客戶端利用智能手持設(shè)備中的 GPS 模塊，每隔 5 秒獲取一次經(jīng)緯度信息，實時的收集移動用戶的位置軌跡信息。藍牙模塊：主要是獲取移動用戶彼此之間的接觸數(shù)據(jù)，本模塊主要利用智能手機上的藍牙模塊，每隔 5 分鐘自動掃描附近的藍牙設(shè)備，記錄下所掃描到的其他移動用戶的藍牙信息。WiFi 模塊：由于 GPS 定位系統(tǒng)只能獲取到移動用戶室外的位置信息，而對于室內(nèi)的用戶則無法獲取到

【參考文獻】

相關(guān)期刊論文 前1條

1 張偉宏,胡勁松,王力強;GPS系統(tǒng)在交通領(lǐng)域中的應(yīng)用及展望[J];黑龍江交通科技;2003年02期

相關(guān)碩士學(xué)位論文 前1條

1 張俊峰;基于GPS技術(shù)的出行OD調(diào)查研究[D];北京交通大學(xué);2011年

本文編號：2716597