移动自组网中基于混合建模的节点位置预测路由路径优化的研究

沙特国王大学学报基于混合建模的N.S. Saba FarheenSaud，Anuj JainBhagwant University印度阿提奇莱因福奥文章历史记录：收到2019年2019年10月29日修订2020年1月1日接受2020年1月8日在线提供保留字：移动Ad Hoc网络（MANET）移动性预测路由空间特征移动主机（MH）A B S T R A C T移动自组网中的路由是非常具有挑战性的，由于节点的移动。预测节点的位置并根据预测的位置进行路由，有助于建立具有较长寿命的路由路径。大多数预测方法都是基于节点的过去位置。在这项工作中，节点位置预测的时间和空间特性的基础上，相对于它的邻居被施加到使用混合模型估计可能的位置。为了在不增加数据包开销的情况下提高路由性能，提出了一种基于估计概率位置的多路径路由协议，并在路径上的必要位置引入路径转移。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍移动自组织网络由自治节点组成，节点能够动态地学习其拓扑结构，并使用这些信息在节点之间路由分组。节点之间的数据包以多跳方式从源路由到目的地。由于移动自组网中的节点是移动的，路由路径的变化频繁，造成数据包丢失。因此，数据包的交付，ery是低的，在城域网。移动自组网在灾害管理和应急通信方面有着广阔的应用前景。在洪水或地震的情况下，电信基础设施出现故障，而MANET被视为解决这一问题的一种方案，以帮助救援行动。因此，有必要从更高的分组投递率的角度来保证移动自组网的可靠性使用节点位置预测来提高路由路径的寿命是一种很有前途的解决方案，以提高路由可靠性的移动自组网。为此许多节点位置预测*通讯作者。电子邮件地址：saba083@gmail.com（N.S.Saba Farheen），a1978jain@gmail.com（A. Jain）。沙特国王大学负责同行审查制作和主办：Elsevier方法已经提出。文献中已经提出了基于节点过去位置的节点位置预测、基于轨迹的位置估计、网络拓扑等。文献中已经提出了确定性、随机性、基于历史和基于启发式的预测算法用于节点位置预测。基于节点的预测位置来适配路由。任何预测算法都不可能有100%的准确率。预测总是有不确定性大多数预测协议不对这种不确定性进行建模，因此，当不确定性的概率很高时，建立在其上的路由协议会失败在这项工作中，一个混合的位置预测模型的基础上节点的位置和节点的相对运动进行建模，以提供可能的位置方面的结果。混合模型的核心是四个不同的预测模型和加权融合方法，融合所有模型的结果。基于预测的位置，多路径路由协议进行微调，以路由数据包。偏离端到端多径，多径前向判决仅在位置预测不确定性概率高的地方做出。由于这种分组开销，由于多路径路由被控制。该解决方案的另一个突出点是使用多参数进行混合建模，包括节点过去的运动、节点由于这种多参数建模，对于不同类型的移动性模型的预测精度更高。https://doi.org/10.1016/j.jksuci.2020.01.0011319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com2444N.S. Saba Farheen，A.Jain/沙特国王大学学报2. 相关工作下面给出了调查中每种确定性方法的总结现有的移动性预测技术可以分为如下。解决方法问题1. 确定性2. 随机3. 启发式华国锋（2015）基于相对节点间轨迹仅适用于2.1. 确定性方法确定性方法假定速度和加速度为常数，并根据观测到的节点位置、速度和加速度进行预测。移动投影轨迹（MPT）算法来估计Nowsheen（2015）索马（2016年）建立了节点受力与运动之间的数学模型基于节点速度的链路持续时间估计最适用于移动受限的水下传感器网络，但在其他情况不适用于所有移动模型在（Hua，2015年）。节点间距离的测量在每个周期进行根据这些测量结果，04 The Famous（2013）相对速度预测当误差大于25m时，预报精度弹道计算。 计算剩余链路寿命（RLL）基于相对轨迹和路由路径使用RLL测量进行优化。但是这种方法是特定于某些移动模型的，其中轨迹可以根据连续的数学函数来建模。在（Nowsheen，2015）中提出了运动预测数据转发协议通过肛门-Rhim（二零零九年）艾哈迈德（二零一零年）基于信号强度的连杆寿命基于速度和方向，估计当误差大于22m时，预报精度不适用于所有移动模型水下传感器节点受力分析、节点定位并计算其覆盖概率的高（2014）模糊基链接稳定性计算仅适用于某些流动性模型适用于水下传感器网络，运动受到限制，但在其他情况下失败。 一种基于贝叶斯移动预测模型节点速度是在（Somaa，2016）中提出了预测链路持续时间的方法。基于链路持续时间估计，路由路径被微调。在（Son，2013）中提出了基于贝叶斯分类器的相对速度预测。AODV路由协议利用估计的速率对RREP和RREQ的转发决策进行微调。使用贝叶斯速率预测的AODV协议，分组投递率提高了46%。链路寿命是使用信号强度变化预测的（Rhim，2009）。提出了一种基于链路生命周期的跨层路由协议，在链路生命周期内对数据包进行调度，避免不必要的数据包投递失败。在（Ahmed，2010）中，作者使用链路过期时间计算改进了AODV的性能。 链接到期是使用移动03 TheDog（2012）瓦里萨（2012年）扎伊迪（二零零四年）链路评分基于链路延迟时间、概率链路可靠时间、链路数据包错误率、链路接收信号强度基于运动的聚类位置随时间推移的回归更高的网络开销动态模型失败随机流度模型的预测精度较低，误差在20 m以上的节点。根据链路过期时间，路径过期被计算为路径上的链路过期时间的最小值。路由仅在链路过期时间内有效，并且在链路过期时间之后进行重新路由以路由数据包。在（Gao，2014）中计算了基于模糊逻辑的链路稳定性，并从中导出路由路径稳定性。在多条路径中，链路稳定性最高的路径用于路由。在（Sargolzaey，2012）中提出了跨层度量。它结合了链路延迟时间、概率链路可靠时间、链路分组错误率和链路的接收信号强度来创建新的度量。使用单位权重函数基于它们的效率来组合度量。跨层度量用于确定路由的生命周期。在（Walisa，2012）中提出了组移动性预测，以识别移动期间相同网络分区的节点部分。通过划分网络的基础上的运动，基于簇的路由协议，提出了提高性能。在（Mohammad，2010）中提出了用于估计节点轨迹的基于多项式回归的预测方法。将坐标与时间的关系建模为回归函数，以减小估计误差。2.2. 随机方法随机方法使用概率预测技术，如自回归模型，马尔可夫模型，回归模型，卡尔曼滤波器和蒙特卡罗方法。移动性马尔可夫链（MMC）是在（Gambs，2012）中提出的。它使用了一段时间内移动行为的观察结果以及节点最近访问过的位置。使用两步过程学习n-MMC用于移动性预测。在第一步中，使用密度可连接聚类（DJ-聚类）来找到POI（兴趣点），并在第二步中测量POI之间的过渡。基于最后n个转换，下一个可能被访问的POI被建模为马尔可夫链。n没有一般的值，它对解决方案中的每个节点都有所不同。在（Mathew，2012）中提出了一种使用隐马尔可夫模型（HMM）预测移动性的混合方法。先前的运动历史基于时间持续时间被聚类。每个聚类训练一个HMM，并将运动转移到下一个聚类。节点的下一个位置是根据它过去访问过的集群来预测的。移动性模型不是节点特定的，而是位置特定的。模型的精度不好N.S. Saba Farheen，A.Jain/沙特国王大学学报2445适用于MANET。在（Cadger，2012）中提出了将位置作为节点作为连续变量的基于回归的建模。但该解决方案仅适用于某些移动模型。在（Li，2011）中提出了基于Hello协议的节点移动性预测。每个节点使用自回归模型预测自己的位置和邻居。预测的位置通过hello消息发送。邻居相应地更新预测结果。Zaidi，2004提出了一种使用自回归模型估计用户移动性的集成方案。采用一阶自回归模型对流度进行精确建模。Yule-Walker方程应用于由节点的位置、速度和加速度组成的训练数据。在预处理后的数据上，应用AR模型预测未来的移动状态。通过将Yule-Walker方程应用于训练数据来执行移动性参数的估计。提出了一种基于熵的链路不确定性和稳定性度量方法。节点的随机移动产生了一系列的-链路断开，导致网络连接频繁变化。链路状态演化被建模为一个平稳的马尔可夫链，其熵率等于转移熵。测量的熵率是未来状态不确定性的指标的链接。作者（Mousavi，2007）介绍了一种自适应迁移率预测方法。设计了一个简单的自适应滤波器来预测运动。该滤波器使用学习自动化来设计，以找到滤波器系数的值。可以基于预测的节点之间的未来距离来微调路由协议。在（Gao，2014）中提出了使用马尔可夫链的端到端路径稳定-在这种方法中，通过传播虚假距离可以非常容易地发起攻击基于神经网络的地理路由位置预测在（Cadger，2015）中提出。基于N个最近坐标，使用神经网络预测下一个坐标，地理路由协议基于预测的位置决定下一跳。N的选择影响预测的准确性。基于过去运动的最大似然位置估计在（Makhlouf，2018）中提出。每个节点在地图中记录其过去的位置，并使用此信息进行未来的位置预测。除了预测之外，位置还在RTS分组中传输，以供邻居节点学习位置并将其用于路由。在（Kaaniche，2010）中使用反向传播训练了三层前馈神经过去 40 个 位 置 的 时 间 序 列 被 用 作 神 经 网 络 的 训 练 集 ， 在（Fernandes，2017）中，探索了使用混合方法预测节点位置。马尔可夫链建模，朴素贝叶斯分类器被用来预测位置的基础上，过去的数 据 的 可 用 性 。 进 行 时 空 数 据 挖 掘 以 识 别 频 繁 的 移 动 性 模 式（Duong，2012）。根据频繁模式预测移动节点移动性规则从频率模式生成，并且规则被应用于预测节点的未来位置遗传算法用于预测节点的位置（Suraj，2016）。离群值是使用统计学删除的。在剔除离群点后，利用遗传算法预测节点间邻接矩阵。调查中每种启发式方法的总结如下下面给出使用马尔可夫链模型通过测量分组成功率和能量参数。解决方法问题调查中的每种随机方法的摘要如下解决方法问题Ghouti（二零一三年）卡杰尔极限学习神经训练量需要很高，以实现小于1m准确性很差。在许多情况下甘布斯（2012年）03 TheDog（2012）马尔可夫模型不提供更高的所有节点的预测精度HMM模型准确性较差，因为预测误差大于25 m（2015年）电影Makhlouf（2018）03 TheDog（2010）网络最大似然前馈神经位置预测误差超过20 m概率估计在路由中不适用准确性较差，因为预测误差越大，卡杰尔（2012年）回归建模不适用于所有移动模型网络对于随机移动性模型，Li（2011）Hello协议网络开销高Fernandes混合所有分类器使用相同的特征扎伊迪（二零零四年）ARIMA不能容忍某些时间间隔（2017年）分类器结果融合结果不高于90%Mousavi（2007）基于学习对节点移动的变化非常敏感Duong（2012年）Suraj（2016年）时空数据挖掘遗传算法规则很难自动合成需要更长的时间来预测和与邻居通信。由于延迟，2.3. 启发式方法启发式方法使用软计算方法来预测节点的位置。从移动模式中提取的特征用于训练机器学习算法，并且该机器学习预测器用于获得节点的未来位置。基于极限学习机器的移动性预测在（Ghosts，2013）中提出。每个移动节点都知道自己的位置、速度和移动方向。预测未来节点位置、速度和运动根据预测的未来距离，路由协议进行修改，以选择下一跳。方法的效率取决于训练量。在每个节点处基于过去的信息来预测移动性，并且在将该信息传送到邻居节点时涉及大量成本。2446N.S. Saba Farheen，A.Jain/沙特国王大学学报预测误差大于20 m3. 基于混合模型的多路径路由图1给出了所提出的基于混合模型的多路径路由（HM-MPR）在每个节点处的完整架构，图1中详细描述了所使用的分类器方面的混合模型的组件。 二、在该模型中，节点定位和邻域预测的参数被收集并传递到三个分类器中的每一个，并且来自每个分类器的结果使用加权融合来预测位置N.S. Saba Farheen，A.Jain/沙特国王大学学报2447链路稳定性预测位置概率节点邻域变化加权融合移动模式挖掘AR建模多项式回归电子位置随时间变化的节点相对性速度与恐惧随着时间位置预测位置可能位置图创作位置概率节点邻域在时间节点相对位置随时间的混合模型节点速度转换时间节点位置更改随着时间多径传播Fig. 1. 架构图二. 提出的混合模型。和节点邻域变化。根据为节点预测的位置，创建可能的位置存在图以提供节点在一段时间内的可能位置。所提出的多路径路由利用这些信息来决定链路的寿命，并在链路不可用时用下一条稳定路径替换链路。将节点位置、节点速度、节点相对位置、节点邻域随时间的变化输入到混合模型。混合模型使用不同的模型，如图。 2、预测地方基于每个模型结果的加权融合，创建概率位置预测地图。基于预测图，对多路径路由算法进行微调，以确定AODV路由路径中每一跳的传播路径，并对现有AODV进行修改，以适应预测图，用于初始路由。混合模型有两个输出。节点的位置概率及其邻域的变化。这两个输出都来自以下输入2448N.S. Saba Farheen，A.Jain/沙特国王大学学报X.Σ···g1.！.f···gX22-第一章1þ2个p...第一章1我辛£1>1. 随时间推移2. 速度和方向随时间的变化3. 节点与其邻域的相对位置。混合模型的核心是四种不同的预测模型和加权融合方法，以融合所有预测模型的结果。模型结果这四种模式如下将以下自回归方程应用于pzk¼ cuizk- i 2k1/1最后，如下所示，1/4oi1-hoi1i×2p2. AR建模3. 移动模式匹配4. 链路稳定性预测节点的整个移动区域被分割成大小为m*m的正方形网格。每个网格都被赋予一个从1到m*m的唯一数字，增加秩序从左到权和命名如fP1;P2;P3：···;Pm2g，令节点网格位置随时间的变化表示为：节点的移动性建模使用两个自回归模型，一个为's'系列和一个为'o'系列。 应用这两个模型，使用（2）计算节点的位置。移动自组网中的节点遵循一种频繁的移动模式这可以从真实世界的痕迹中看出。节点的位置可以通过挖掘频繁的运动模式来预测，的运动的结的位置信息在一段时间n内为节点收集。There was no significantdifferencebetweenthetwogroups（P>0.05）.设为P<0; P<0 ;Pt1;Pt1;···：Ptn;Ptn g使用多项式回归，时间与节点位置之间的关系被建模为：tn;Ptn以T为间隔分组为单独的事务，如下所Pti 1/40 1P至P1Pt1···2012年1月0 t T {Pt0，Pt1，Pt2，Pt4}T t 2 T {Pt0，Pt1，Pt2，Pt1;Pt2;Pt4}其中i = 1，2，.. . n. 在矩阵符号中，它可以表示为：2 T t 3 T {Pt0，Pt1，P t2，P t0;P t1;P t1;P t2; Pt4}2Pt03.01·· ·Pt n12 a03...第二季第三集从每个事务中，频繁序列和它们的超67 ½ B。C6767×P¼Pta 2n使用图3的算法发现大于阈值的端口。4Ptn5@1·· ·Pt nA4an54en5（Duong，2012）。基于频繁模式，节点的下一个位置可以是其中2是零中值误差。 常量的值a0;a1;a n 可以通过求解回归方程得到。记录节点在观测周期T内的位置并代入上述等式以找到“a”的值。一旦找到系数值后，可以将时间段上的位置计算为Pa0a1Ptia2Pti···an Pti1根据其过去的运动预测支持值，有时，由于支持值小于阈值，可能无法进行预测。被称为候选的节点的可能位置使用如图1所示的以下步骤生成。四、基于节点邻域的变化，采用信息论中的熵率概念对链路稳定性进行建模。链路状态变化被建模为平稳马尔可夫链，并且熵率被计算为根据随时间的位置，计算两个附加时间序列，一个用于方向0°0，一个用于速度“s”。方向被计算为HL2jL1¼-b2f0; 1gP/L1½b/L8arcta n.如果Cx>Cx，则Cyi-Cyi-1×a2Xf0;1g PL2<$ajL1<$blog2PL2<$ajL1<$b 3Cxi-Cxi-1 ;Cxi-Cxi-1i i-1（一）>Cyi-1，：>-p;如果Cxi^Cxi-1且Cyi≤Cyi-1Cxi，Cyi是网格的中心。速度s¼qxi-xi-12yi-yi12预测未来方向εi，ε 1和速度εi，ε 1，ε 2，ε 3，ε 4，ε 5，ε 6，ε 7，ε 8，ε 9，ε 10，ε11，ε 12，ε 13，ε 14，ε 12，ε 11，ε 12，ε 13，ε 12，ε 14，ε 12，εP/P转换器成本为100万美元/秒ð2Þ在[0，2p]范围内的0£0的值通过转换为“o”系列在[0，2 p]范围内归一化为1. 多项式回归...第一章1N.S. Saba Farheen，A.Jain/沙特国王大学学报2449或者，1英镑，如果i¼1£12kp否则ksN图三.频繁模式挖掘（Duong，2012）。2450N.S. Saba Farheen，A.Jain/沙特国王大学学报--L ¼.见图4。候选人生成（Duong，2012）。其中，Lt是两个节点之间在时间“t”的链路状态。它被给出为1;如果两个节点在通信范围t0;否则在未来的链路状态的不确定性给出的熵率。高熵率表明该链路随时间频繁变化。根据四种模型的结果，进行加权融合以估计节点的位置概率，并为每个节点生成位置图标记了节点在下一个时间间隔内可以移动的可能网格最初，使用相等值0.25的四个权重fw1;w2;w3;w4g来偏置用于预测位置的每个模型的决定为对于由每个模型预测的每个位置，提供相等的概率权重，并且在该时间间隔之后验证预测的结果，最准确的模型增加其权重，而不准确的模型减小其权重。在所提出的解决方案中没有在任何先前的解决方案中覆盖的点。4. 结果在NS2中模拟了所提出的解决方案。用于模拟的参数如下所示。参数值节点数100到300通信距离100米模拟面积1000 m*1000 m节点分布随机分布模拟时间30分钟接口队列长度50MAC 802.11节点速度5至20 m/s移动模型随机网格尺寸5 m * 5 m数据包流量2000 bytes/s发送者/接收者数量20%的节点所提出的解决方案是通过扩展现有的AODV协议实现的。此外，增加了一个新的控制消息来传递节点的位置和速度。当节点从一个网格区域移动到另一个网格区域时，该消息UPDATE与当前节点以及位置一起发送在所提出的解决方案中测量一段时间内的位置预测的准确性，并与实际位置进行比较。下面给出了最高和最低误差范围的结果由于每个网格都很小，即使相邻网格的预测差异也很小。图5中的结果是针对在所有节点中示出最低误差的节点。图6中的结果是针对在所有节点中示出最高误差的节点。结果汇总于表1中。为了比较所提出的解决方案，（Makhlouf，2018）。在（Makhlouf，2018）中提出了基于过去移动的最大似然位置估计WxtWxt-1bWxt-1;如果Pt¼，则在“t "预测Wxt1-bWxt1;if Pt每个节点在地图中记录它过去的位置，并使用此信息进行未来的位置预测。除了预测，基于位置图，可以找到节点在时间“t”的预测位置的概率位置图用于节点使用以下三个规则如果节点位于P的概率为1，则将分组转发到位置P如果节点位于P的概率小于1，但预测的其他位置都在P的同一邻域内，则将分组转发到位置P。如果节点位置在P处的概率小于1，但是预测的进一步位置不在相同的邻域中，则基于邻域对预测的位置进行聚类，并且将分组转发到每个聚类区域。与（Makhlouf，2018）中的解决方案不同，其中仅使用节点当前和过去的位置来预测位置，所提出的解决方案基于多个参数来预测节点位置。此外，代替（Makhlouf，2018）中使用的绝对位置此外，所提出的解决方案使用多路径转发的情况下，确定的概率是低的，从而分组成功率不受影响的情况下。这是一个突出的位置也在RTS分组中传递，以供邻居节点学习位置并将其用于路由。（Makhlouf，2018）中的解决方案用于比较，因为它是最新的工作，与我们的工作更相似。预测模型和选线调整-图五. 最佳案例结果。.¼●●●N.S. Saba Farheen，A.Jain/沙特国王大学学报2451见图6。 最差情况结果。见图8。 数据包传输率与速度。表1不同速度的定位误差。节点速度最小误差值最大误差值误差平均值5 m5 m15米7 m10米5 m20米8 m15米5 m30米10米20米5 m35米10米与（Makhlouf，2018）相比，ment是我们工作中的显著区别。针对不同的节点数进行了测试，并采集了以下性能参数.性能参数的选择基于工作（Hakak等人，2014 a，b，Hakak，2014）。研究了移动模型对移动自组网各种性能参数的影响。1. 分组投递率2. 延迟3. 网络开销图图7和图8描述了分组递送比率的结果。从结果中可以观察到，见图7。数据包传输率与节点数。见图9。 平均端到端延迟。见图10。 延迟vs速度建议的HM-MPR解决方案高于（Makhlouf，2018）。高分组投递率的原因是由于预测的准确性和多路径路由能力。也有2452N.S. Saba Farheen，A.Jain/沙特国王大学学报见图11。网络开销与节点。图12个。网络开销与速度。随着节点数量的增加，数据包传输率下降，因为在我们的模拟中，随着节点数量的增加，数据包传输率也会增加。端到端的延迟进行了测量，其结果在图中给出。9.第九条。从图10中的结果可以看出，与（Makhlouf，2018）相比，提出的解决方案的延迟较小，原因是多路径路由。网络开销是根据网络中传输的数据包数量和结果来衡量的。给出了图。 十一岁从结果中可以看出，与（Makhlouf，2018）相比，由于减少了路由失败和重新尝试（图1），提出的解决方案的网络开销相对较低。12）。5. 结论本文提出了一种多参数时空建模方法来预测节点的可能位置根据时空结果对多路径路由进行微调，以提高路由的有效性通过模拟，发现与（Makhlouf，2018）相比，提出的解决方案中的数据包传输率更高。这项工作的未来范围如下。1. 该方案的性能还可以通过在布线中增加延迟容限来改善。2. 数据包需要被分类为实时流和非实时流，并且非实时流可以基于路径中的延迟容限被调度到不同的路径。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用艾哈迈德岛，med2010.基于可靠覆盖区域的移动自组织网络链路到期时间路由度量。Ad Hoc Networks 28，466-476.Cadger，Fraser，2012.使用机器学习算法的移动自组网位置预测。有线/无线互联网通信国际会议。斯普林格。Cadger，Fraser，2015.位置和移动性感知路由用于改善移动自组网中的多媒体流性能。斯普林格。杨，T.V.T.，2012.一种基于时间加权移动规则的无线网络移动性预测方法。国际计算机Sci. 电信。3（2），29-3613。费尔南德斯河，巴西-地2017.使用语义分析和机器学习预测用户移动性的新方法。J. Med. 系统41（188），12.S. Gambs，Next place prediction using mobility markov chains，in：ACM MPMGao，X.M.，2014.基于移动性预测的移动自组网链路稳定性路由协议。应用机械材料556-562.Ghelman湖，2013.基于极限学习机的移动Ad Hoc网络移动性预测。爱思唯尔Hakak，Saqib Iqbal，2014.评估路由协议，数据包大小和DSSS速率对网络性能指标的影响。马来西亚国际伊斯兰大学Hakak，Saqib等人，kak等人，2014，.影响移动自组网平均端到端时延和抖动的3个关键因素。J. ICT Res. Appl.，[S. l.] 8（2），113-125。ISSN 2338-5499。Hakak，S.，B.A.，Anwar，F.，Alam，M.K.，Gilkar，G.，2014年。 移动模型和数据包大小对移动自组网吞吐量的影响。在：2014年计算机和通信工程国际会议，吉隆坡，pp。 150比153Hua，Edward Y.，2015.移动自组网中预测链路剩余寿命的速度变化检测移动投影轨迹算法。IEEE运输车辆Technol.64（3），1065-1079.Kaaniche，H.，2010.无线自组织网络中基于神经网络的移动性预测。J.2（1），95-101。X. Li，移动自组织网络中基于移动性预测的邻域发现，在：第10届IFIP网络会议（NETWORKING），2011年5月。N. Makhlouf，使用虚拟地图进行MANET网络的移动性预测，elektrorevue 2018。W. Mathew，Predicting future locations with hidden Markov models，in：ACMConference on Ubiquitous Computing，pp-978-1-4503，Nov.2012。穆罕默德，2010年。使用多项式回归的无线移动网络轨迹估计。Int.J. Elec. 电信。穆萨维，S.M.，2007.移动自组网中基于模型的自适应移动预测。美国电气与电子工程师协会。Nowsheen，N.，. MPDF：水声传感器网络运动预测数据转发协议。在：第20届亚太通信会议的会议记录，APCC 2014年，pp。 100比105A. Rhim ， Routing based on link expiration time for manet performanceimprovement” ， in ： Communications （ MICC ） ， 2009 IEEE 9th MalaysiaInternational Conference on Communications，2009，no.9，pp. 555-560Sargolzaey，Hadi，2012. 移动自组织网络中发现可靠路由的跨层度量。无线个人通信66，207-216.Somaa，F.，2016..无线传感器网络中移动性预测的贝叶斯模型。第五届IFIP有线和无线网络性能评估和建模国际会议（PEMWN 2016）。儿子T. T 2013年。移动ad-hoc网络中支持路由的贝叶斯移动预测模型。2013年IEEE第24届个人、室内和移动无线电通信年度国际研讨会（PIMRC）。 3186-3190。Suraj，S.，2016.基于轻量级遗传算法的移动自组网移动性预测。威尔。Networks 22（6），1797-1806.Walisa，2012年。一种用于无线网络中移动自组网仿真的自治组移动预测模型。J.无线网络。Commun.Zaidi，Z.R.，2004.基于自回归模型的无线网络移动性估计。IEEE GLOBECOM会议录，美国德克萨斯州达拉斯，11月至12月。