AODV路由下的MANET路径长度预测：ARIMA和MLP模型

埃及信息学杂志（2015年）16，103开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章AODV路由下的MANET路径长度预测：ARIMA和MLP模型Arindrajit Puta，*，Jyoti Prakash Singhb，Paramartha Duttaca部。印度西孟加拉邦技术学院计算机科学与工程系b部印度巴特那比哈尔邦国立技术学院计算机科学与工程系c印度西孟加拉邦Visva-Bharati大学计算机与系统科学系接收日期：2014年2月18日;接受日期：2015年1月5日2015年2月7日在线发布移动自组网是一种无基础设施的移动节点集合，它们之间可以通过单跳或多跳技术进行通信。跳数也称为路径长度，在分组传递、路由负载、延迟等方面起着至关重要的作用。源目的节点对之间的路径长度取决于诸如节点的移动模式、路由算法、传输范围等因素。在本文中，我们尝试使用自回归积分移动平均（ARIMA）和多层感知器（MLP）模型。使用三种不同的移动性模型，即（i）曼哈顿网格移动性模型（MHG）、（ii）随机路点移动性模型（RWP）和（iii）参考点组移动性模型（RPGM），从移动自组网收集路径长度数据。本文对Ad hoc按需距离矢量AODV路由算法中源节点和目的节点间路径长度的预测精度进行了评估在移动自组网中，使用ARIMA模型和MLP。结果表明，神经网络能有效地预测移动节点间的路径长度，优于统计模型，基于MLP的神经网络模型优于ARIMA模型。©2015制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。 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/）。*通讯作者。电子邮件地址：arindrajit@gmail.com（A. 网站：jps@nitp.ac.in（J.P. Singh），paramartha. gmail.com（P.Dutta）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevierhttp://dx.doi.org/10.1016/j.eij.2015.01.0011. 介绍移动自组织网络（MANET）是一组移动设备，它们可以通过无线通信相互通信，而无需任何基础设施的支持[1]。如果两个或多个移动节点在它们的传输范围内，则它们可以彼此直接通信。否则，来自源节点的数据包需要经过几个中间跳才能到达目的地。中间节点沿1110-8665© 2015由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。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/）。关键词网络流量;路径长度;移动模型;ARIMA;多层感知器104 A. J. et al.与目的地节点形成从源节点的路径。路径长度是根据通信节点对之间的跳数来测量的[2]。移动节点的移动会有规律地干扰通信链路。通过不同的移动模型描述移动节点的物理运动及其统计行为。流行的移动性模型是随机路点（RWP）[3，4]、曼哈顿网格（MHG）[5]、参考点组移动性模型（RPGM）[6，7]等。一个很好的调查最常用的移动模型在移动自组网。ad-hoc网络中的路由协议在ad-hoc网络的通信中起着非常关键的作用。移动自组网中的节点通常在有限的电池电量下工作，这限制了它们的传输范围。因此，多跳传输是移动自组网的一个共同属性。在MANNETWORK中主要有三种类型的路由协议。它们是主动 的 、 被 动 的 和 混 合 的 。 在 这 篇 文 章 中 ， 我 们 考 虑AODV[11]路由协议，这是一个反应式路由协议。它使用广播查询-应答循环来确定一对节点之间的路由。人工神经网络（ANN）已被广泛用于复杂时间序列预测的研究，包括商业，工程，经济，天气和股票市场预测，库存和生产控制，信号处理和许多其他领域。人工神经网络主要是模拟生物神经系统信息处理能力的计算机算法。最重要的是，它的学习能力。神经网络的主要优点是它的非线性建模能力。人工神经网络可以代表一个高度非线性的过程，在某些条件下具有复杂的结构比许多其他经验模型。一旦人工神经网络被开发出适当的权重系数，那么它们就可以对新输入做出快速响应。ANN的这些特性促使我们使用它们来预测移动节点的路径长度。在这篇文章中，我们已经把移动自组网的移动节点的源-目的地对之间的路径长度变化的时间序列框架。基于ARIMA和ANN的模型用于预测移动节点的路径长度。 通过统计分析确定ARIMA模型的阶数（p，d，q）。最佳的神经元数目和学习率也确定了基于人工神经网络的模型。我们还比较了建模和预测能力的ARIMA和人工神经网络为基础的模型在某些统计性能评价标准。图1曼哈顿网格移动模型中移动节点的移动模式。本文的其余部分组织如下。在第2.1节中，我们描述了不同的移动模型。第2.2节简要介绍了MANET中的AODV路由。第2.3节简要讨论了时间序列分析。在第2.4节中，我们描述了ARIMA模型。基于人工神经网络和多层感知器网络的模型开发在第2.5节中给出。第三部分是相关的工作。第4节给出了我们开展这项工作的方法。绩效评估见第5节。第6节包括模拟设置，然后是结果。我们在第7节中总结了关于未来方向的一些建议。2. 先决知识2.1. 移动模型我们描述了几个常用的移动模型，我们将考虑在我们的研究过程中，在本文中。这是为了完整性。2.1.1. 曼哈顿网格移动模型（MHG）曼哈顿网格移动模型使用如图1所示的网格道路拓扑。假设网络被划分为若干个网格，网格上的方块长度都相等。在模拟开始时，节点被随机放置在不同的道路上[8]。节点的移动方向由节点在道路中的初始位置和起始位置决定。节点的位置和选定的移动方向确定到道路的下一个交叉点或交叉点的距离。当一个节点到达道路的一个交叉口时，它的位置被校正以消除舍入误差，并随机选择新的移动方向。一般来说，节点离开场景并在随机选择的新道路点重新进入。然而，每个传出节点被新到达的节点所取代，该节点在随机选择的交叉点进入场景。移动场景的节点密度保持不变，即使节点不断更换。在这个移动模型中，移动节点被放置在沿着街道的任何地方，并且节点的移动一次决定一步水平或垂直。最初，每个节点可以选择任何街道。中心节点可以在四个可能的方向上移动，诸如北、南、东和西。这意味着一个节点有25%的机会向其中一个方向移动，而另一个节点则向西、东或南移动。移动节点在时隙的速度完全取决于其在前一时刻的速度。在曼哈顿移动模型中，节点的速度总是受到街道上同一车道上它前面的节点的速度的限制。2.1.2. 参考点组移动模型（RPGM）参考点群机动性模型（RPGM）的实际应用是战场上士兵的机动性评估。每个小组都有一个逻辑中心或组长。组长的移动决定了组中所有其他成员的移动行为最初，群的每个成员均匀分布在群领导的邻域中[6]。在每个时刻，每个节点都有自己的组我我V/ V/ R× M×MANET 105中的路径长度预测速度和方向随机地偏离了组长。该模型实现了以逻辑中心为中心的组中各节点的空间依赖性。的移动需要时，节点使用广播路由请求（RREQ）来查找到目的地的路由。接收到该请求的节点确定它们是否是目的地，或者它们是否具有在时间t的群领导者可以由运动Vt. 不一条通往目的地的新路线然后他们回应它不仅定义了群主本身的运动，而且提供了整个群体的总体运动趋势。这个群的每个成员都偏离了这个总运动Vt通过将路由应答（RREP）单播回源节点来进行路由。当请求到达目的地本身或具有一定程度上运动矢量Vt可以随机选择-足够新鲜的路线到达目的地。由于每个节点都接收到-传感器或精心设计的基础上某些预定义的路径。小组成员的行动受到组长行动的重大影响。对于每个节点，移动性被分配给跟随组移动的参考点。基于这个预定义的参考点，每个移动节点可以随机放置在其邻域中。形式上，组成员i在时间t处的运动矢量Vt可以被描述为：t t第一组其中，运动矢量R Mt是偏离由组成员i从其自身的参考点来确定。2.1.3. 随机路径点移动模型随机路径点移动模型[3，8]是一种简单的移动模型，被广泛用于评估移动自组网的性能。随机路点移动性模型包含方向和/或速度变化之间的暂停时间。一旦移动节点开始移动，它将在一个位置停留一段指定的暂停时间。在经过指定的暂停时间之后，移动节点随机选择模拟区域中的下一个目的地，选择在通常取为0的最小速度和最大速度上均匀分布的速度，并且以在间隔（0，Vmax）中均匀选择的速度v行进。Vmax是可以被设置为反映移动性程度的某个参数。然后，移动节点以所选择的速度继续其朝向新选择的目的地的行程。2.2. 按需距离矢量路由由 Perkins 和 Royer[11] 提 出 的 Ad hoc 按 需 距 离 向 量（AODV）是按需路由协议的流行示例。这是一种反应式路由算法。移动跳不收集网络拓扑的完整场景。每当需要从源到目的地的路径时，就搜索并建立路径。在AODV中，每个节点最多为每个目的地维护一条路由。作为单路径协议，它必须调用当从源到目的地的唯一路径失败时，新的路由发现。当拓扑频繁变化时，路由发现需要一次又一次地启动，这可能会变得非常低效。AODV维护由接收器生成的目的地序列号，并确定到目的地的最新路径。只有当当前接收到的数据包的目的地序列号大于存储在节点处的目的地序列号时，节点才更新其路由信息。它表示源接受的路由的新鲜度。为了防止同一个数据包的多次广播，AODV使用了一个广播标识符，以确保循环自由。这是因为中间节点只转发同一数据包的第一个副本，并丢弃重复的副本。当到达新目的地的路线通过跟踪返回到请求源的路由，RREP应答可以从目的地单播回到源，或者从能够满足请求的任何中间节点单播回到源。2.3. 时间序列分析时间序列预测技术可以估计未来的数据集的基础上，过去的观察，无论是从序列本身或从外生数据的序列。时间序列模型是随机变量Xt的联合分布的一种规范，其中观测数据集Xt是样本。它是一个通常依赖于等距时间的数据点序列。它可以表示为X t¼ fx t2 Rjt ¼ 1; 2; 3;. ; Ng2其中t是时间索引。N是序列中的观测数。xt是等间隔的时间观测序列。时间滞后的正确选择是良好预测性能的关键因素[9]。时间序列建模的一个重要组成部分是去除趋势和季节成分，得到一个（弱）平稳的时间序列。一般来说，如果对每个正整数h，时间序列X t具有与时移序列Xt+h相似的统计性质，则该时间序列Xt是平稳的。2.4. ARIMA模型Box等人提出的自回归积分移动平均（ARIMA）过程[12]是一个用于分析时间序列的随机过程ARIMA模型由符号ARIMA（p，d，q）表示，其中，p表示自回归的阶数，d表示积分（差分），q表示移动平均的阶数。如果数据集是平稳的，那么差d被认为是零，否则必须计算d的值。例如，一阶自回归过程的时间序列过程yt由AR（1）表示，并表示为ytl/1yt-1et3p阶的AR（p）可以定义为yt¼/1yt-1/2yt-2.. . /pyt-p一阶移动平均线MA（1）可以表示为：yt¼l-/1et-1et5而MA（q）的q阶可以定义为y t et-h1et-1-h2et-2-. - hqet-q6因此，高阶ARIMA（p，0，q）可以定义为yt¼/1yt-1/2yt-2.. . Pyt-p-h1et-1-h2et-2-你好. - hqet-qet7组组不¼¼PnJ106 A. J. et al.其中，e是独立的正态分布，对于t，均值为零，方差为常数r21; 2;.. . ，n.在ARIMA模 型 中 ， 自 相 关 函 数 （ ACF ） 和 偏 自 相 关 函 数（ PACF ） 是 分 析 时 间 序 列 内 部 结 构 的 重 要 工 具 。ACFqk表示系列yt的滞后k，是y t之间的线性相关系数 和yt-k，k0; 1; 2.. .因此，滞后k处的自相关为这允许神经元的低输出和高输出之间的平滑过渡误差是实际输出和首选输出之间的差异。误差取决于权重。因此，调整权重以使误差最小化。3. 相关工作Pn-ky-yy不-是的神经网络技术已经应用于各个领域qk¼t1/2不t1/2塔贝克-ð8Þ电信网络。在[14]中，Ward神经网络用于呼叫接纳控制。的不同类别的数据包及其2.5. 人工神经网络（ANN）和训练算法ANN模型通常具有输入层、隐藏层和输出层。神经网络的基本计算单元是神经元。神经网络可用于提取隐藏在时间序列的实现中的自回归结构的估计。在这种方法中，神经网络通过优化权重来学习依赖关系的特征[13，9]。设计和训练ANN网络有几个步骤：选择变量的数量。收集和预处理数据集。神经网络范例。–隐藏层的数量。–每个隐藏层中的神经元数量–传递函数。选择培训方法。–迭代次数、学习率和动量。● 找到最佳解决方案。2.5.1. 多层感知器MLP网络具有一个或多个隐藏的神经元层，后面是线性神经元的输出层反向传播算法使用监督学习，其中将输入和输出的集合提供给网络进行学习。具有非线性传递函数的多层神经元允许网络学习输入和输出向量之间的非线性和线性关系。线性输出层让网络产生1到+1范围之外的值。对于多层网络，我们使用层数来确定权重矩阵上的上标实现反向传播算法的ANN中人工神经元的激活函数是加权和，其是输入xi乘以它们各自的权重wij的和，如图2所示：Xn通过神经网络学习平均每分组延迟通过使用先前观测的大窗口和用于训练的多开始优化方法，这样的神经网络被示出具有良好的控制精度，只有可忽略数量的调用轻微地违反目标。森希尔·库马兰[15] 提出了一种移动自组网中的早期拥塞检测技术和自适应路由协议Guo等人[16] 提出了一种延迟预测机制，并将该预测机制与主动式ad hoc网络路由协议优化链路状态路由（OLSR）相结合。他们仅使用排队延迟，并表明排队延迟可以建模为非平稳时间序列。他们使用多层感知器（MLP）和径向基函数来预测MANET中他们提出的延迟预测机制是独立分布的，只使用以前的延迟值来预测未来的延迟值。辛格和杜塔[17] 指出了移动节点邻居数的重要性，并使用自回归模型（AR）对该信息进行建模。他们通过大量的模拟表明，对于不同的移动模型，在速度、范围和采样时间的阈值下，节点Ni的邻居计数的分布具有良好的相关性，并且可以用AR（p）模型来表示，以便适当地选择阶数p。他们还计算了自回归模型的阶数，并使用该模型来预测邻居计数值。在[7]中，Singh和Dutta使用自回归AR（p）模型对两个节点之间的链路的链路负载分布进行了建模，并评估了AR模型的阶数p。他们还预测了未来时间范围内两个节点之间的链路负载，发现预测值与实际值足够接近。在[18]中，Singh和Dutta比较了不同移动模型中路由协议的路径长度，发现DSDV在所有移动模型中实现了最短路径长度。他们还尝试使用以下方法对两个节点之间的路径长度分布进行建模：自回归AR（p）模型。他们通过实验发现，在所有四种移动模型下，两个节点之间的路径长度分布都具有很好的相关性，并且可以用AR（p）模型来表示适当的p值。他们还预测了未来时间帧中两个节点之间的路径长度，并发现预测结果足够接近的实际值。Ajx<$;w1/4 xi;wij4. 模拟参数和我们的方法反向传播最常见的输出函数是sigmoid函数：1Ox;w1e-Ajx;w实验的目的是利用统计模型ARIMA和人工神经网络模型●●●●ut XX2N我我MAE ¼N1/1移动自组网中的路径长度预测107图2多层感知器。使用MLP网络。为了生成不同的移动场景，我们使用Bonn-Motion[19]工具。Bonn-Motion是一款基于Java的软件，用于创建和分析移动场景。然后将生成的场景导出到ns-2。我们在实验中考虑的分别在第i时刻在MANET中的源目的地对之间观察到的和预测的路径长度。N是数据集的总数。均方根误差（RMSE）：vu2RWP、MHG和RPGM。使用的路由算法是AODV。我们使用ns-2[20]进行网络仿真，并以新的跟踪格式生成跟踪。 cbrgen工具是RMSE¼1NN1Oi-Pið9Þ用于生成恒定比特率（CBR）流量。路径使用合适的AWK脚本从跟踪文件中提取不同节点之间的长度。然后将源目的地节点对之间的路径长度表示为时间序列。我们考虑自相关函数（ACF）和偏自相关函数（PACF）来检查时间序列数据是否平稳如果它是静止的，那么我们RMSE是最著名的误差度量它定义了实际值和预测值之间的不一致。RMSE值接近于零表示模型的性能更好。均方误差（MSE）：1NMSE ¼1000- 1000 -1000命令ACF（k），即滞后k处的ACF，是k滞后的观测之间的线性皮尔逊相关性。如果ACF（k）与零显著不同，则这些观测值必须包含在ARIMA模型中。我们我们总共采集了500组数据进行实验，1/1平均绝对误差（MAE）：1XN300个数据用于建模，200个数据用于检验。同样，我们也为MLP网络采集了500个数据集，其中300个用于训练，200个用于测试。执行以下步骤来预测移动节点之间的路径长度值。第一阶段（确定ARIMA模型的p、d和q）：使用ACF检查数据集是否平稳。如果级数是平稳的，则d的值为零。然 后 使 用 赤 池 信 息 准 则 （ AIC ） 和 贝 叶 斯 信 息 准 则（BIC）值确定p和q值。所获得的（p，d，q）值代表拟合所述时间序列的ARIMA模型的阶数。第二阶段（使用MLP网络模型确定路径长度）：找到MLP网络的最佳隐层神经元数量。还找到了MLP网络训练的最佳学习率。第三阶段（ARIMA和MLP网络之间的比较）：评估的性能ARIMA和MLP网络模型的路径长度的数据集在移动自组网中的每一个移动模型。使用最佳模型进行路径长度预测。5. 绩效评价用 于 比 较 各 种 模 型 的 不 同 性 能 评 估 标 准 是 均 方 误 差（ MSE ） ， 均 方 根 误 差 （ RMSE ） 和 平 均 绝 对 误 差（MAE）。计算该性能评价标准的公式如下式所示：（9）Oi和Pi是MAE是用于估计预测误差的度量是的。MAE是一种广泛使用的统计度量，通过测量实际值和预测值之间的偏差来计算预测误差。较小的值表示预测的准确性较高。6. 结果和讨论在我们的实验中，我们考虑了一个隐藏层有h个神经元的MLP网络。数字h以5个单位的步长从5增加在这里，我们处理不同的移动性模型的模型与滞后值，这是已经评估的ARIMA模型。对于每种架构，网络都是在训练集上训练的。其他参数是MLP网络库的默认值。我们还观察到了MLP网络学习率变化的影响以预测移动节点之间的路径长度。这就是为什么我们采用从0.01到1.0的不同学习率，并 计 算 RWP ， MHG 和 RPGM 三 种 不 同 移 动 模 式 下 的RMSE。6.1. MHG移动模型研究发现，节点遵循Manhattan Grid移动模式的移动自组网的路径长度数据集是平稳的因为ACF和PACF曲线图本质上是正弦曲线，如图3所示。该平稳性证明了ARIMA模型的差分分量d为零。接下来，我们继续考虑差d为零，并计算p和q2011年11月11日，108A. J. et al.表1MHG迁移率模型的不同ARIMA（p，d，qARIMA（p，d，q）AICBIC（1，0，0）856.3990866.2940（2，0，0）852.4973865.6905（0，0，1）852.0479861.9429（1，0，1）842.5964855.7896（2，0，1）842.6565859.1481（2，0，2）834.3555854.1454（3，0，2）836.3033859.3916（2，0，3）842.5311865.6193（1，0，2）843.3081859.7996图3MHG移动模型ARIMA（2，0，2）的ACF和PACF。图4在MHG移动模型中RMSE对改变学习率的影响。计算ARIMA模型的p和q参数。我们计算了所述时间序列对于不同p和q的AIC和BIC值，如表1中粗体所示。表1中p和q值的最低AIC和BIC值为2。因此，对于所述数据集，ARIMA模型的阶数为（2，0，2），如表1中的黑体条目所示。所述模型用于预测未来路径长度，如图5所示。第二个结果是通过神经网络模型。利用ARIMA模型给出的原始路径长度和滞后路径长度构造MLP网络的训练数据集。用上述训练数据集对MLP网络进行训练，并用测试样本进行测试为了找到MLP网络中神经元的最佳数量，我们将神经元的数量从5改变到50，步长为5。具有不同数量的神经元的统计性能测量如表2所示。从表2（以黑体表示）可以明显看出，具有25个神经元的MLP网络对于所述数据集是我们进一步研究了学习率对预测精度的影响。学习率从0.1变化到1，步长为0.1，发现RMSE随着学习率的 增加而 增加，如图所示。 四、为我们在这种情况下，我们选择学习率l为0.4，这表明RMSE较低，并且epoch数较少。预测ARIMA模型和MLP网络在同一数据集上的结果模型如图5所示。如表3所示，MLP网络的预测效果优于ARIMA，相应的图表如图3所示。 五、6.2. 基于RWP移动模型的路径长度预测发现其节点遵循随机路点移动性（RWP）模式的MANET的路径长度的数据集是固定的，因为ACF和PACF图在自然状态下是正弦的，如图6所示。由于序列是平稳的，ARIMA模型的差分分量d为零。接下来，我们尝试计算ARIMA模型的p和q参数。我们在所述数据集上针对不同的p和q找到AIC和BIC值，如表4所示。为了确定p和q值，我们评估了所述序列的不同阶的AIC和BIC值。表4中的最低AIC和BIC值分别是针对2和1的p和q值（以粗体输入指示）。因此，对于所述数据集，ARIMA模型的阶数为（2，0，1）。所述模型用于预测未来路径长度，如图8所示。利用ARIMA模型给出的原始路径长度和滞后路径长度构造MLP网络的训练数据集。用上述训练数据集对MLP网络进行训练，并用测试样本进行测试。为了找到MLP网络中神经元的最佳数量，我们将神经元的数量从5到50不等，步长为5。表5中示出了具有不同数量的神经元的统计性能测量。从表5（粗体条目）可以明显看出，具有25个神经元的MLP网络是所述数据集的更好模型。我们进一步研究了学习率对预测精度的影响。学习率从0.1变化到1，步长为0.1并发现RMSE随着学习速率的增加而增加，如图7所示。在我们的例子中，我们将学习率l固定在0.3，这表明RMSE很低，epoch的数量也很少。ARIMA模型和MLP网络模型在同一数据集上的预测结果如图所示。 八、我们已经展示了MLP网络和ARIMA模型的原始路径长度和预测路径长度，表6示出了RWP移动性模型的ARIMA和MLP网络之间的性能。这两种模型的性能几乎相同。6.3. 基于RPGM模型的发现其节点遵循参考点组移动模式的MANET的路径长度的数据集为：MLP2.251.501.23MANET中的路径长度预测109图6RWP移动模型ARIMA（2，0，2）的ACF和PACF。由于ACF和PACF曲线图在自然状态下是正弦曲线，如图 9所 示 ， 因 此 它 们 是 静 态 的 。 这 一 平 稳 性 证 明了ARIMA模型的差分分量为零。接下来我们计算ARIMA模型的p和q参数ARIMA（p，d，q）AICBIC（1，0，0）753.1599763.0549（1，0，1）731.5520744.7453（2，0，0）745.5443758.7376（2，0，1）730.2326746.7242（2，0，2）732.0289751.8188（3，0，2）731.1322754.2205（2，0，3）731.4182754.5064（1，0，2）730.2978746.7893我们在所述数据集上找到不同p和q的AIC和BIC值，如表7所示。表7中的最低AIC和BIC值分别针对2和1的p和q因此，对于所述数据集，ARIMA模型的阶数为（2，0，1）。所述模型用于预测未来路径长度，如图11所示。利用ARIMA模型给出的原始路径长度和滞后路径长度构造MLP网络的训练数据集。用上述训练数据集对MLP网络进行训练，并用测试样本进行测试。为了找到MLP网络中神经元的最佳数量，我们将神经元的数量从5到50不等，步长为5。不同数量神经元的统计性能指标如表8所示。显然，具有15个神经元的MLP网络是用于所述数据集的更好模型，如表8中的黑体条目所示。我们进一步图5MHG移动模型中移动节点的实际、ARIMA和MLP网络拟合路径长度表2AODV路由中MHG移动模型下的MLP网络性能。隐藏神经元RMSEMSEMae51.793.211.52101.793.211.51151.753.081.44202.224.931.73251.502.251.23301.692.861.33351.823.321.34401.712.921.29452.255.081.76502.626.912.32图7RMSE对改变RWP中学习率的影响流动性模型表3MHG移动模型预测ARIMA和MLP模型路径长度移动性模型MSE RMSEMAE MHG ARIMA 3. 54 1. 89 1. 54表4RWP迁移率模型的不同ARIMA（p，d，q110A. J. et al.图8RWP移动模型中移动节点的实际、ARIMA和MLP网络拟合路径长度表5AODV路由中MLP网络在RWP移动模型下的性能。隐藏神经元RMSEMSEMae51.632.671.32101.612.611.29151.682.831.33201.632.651.35251.482.211.2301.753.061.08352.255.101.98401.793.231.58452.586.692.17502.084.331.72图10RMSE对改变RPGM移动性模型中学习率的影响。表7RPGM迁移率模型的不同ARIMA（p，d，qARIMA（p，d，q）AICBIC（1，0，0）1243.1581255.133（2，0，0）1241.4821257.448（1，0，1）1193.9161212.882（2，0，1）1194.4641214.422（2，0，2）1196.4411217.390（3，0，2）1195.9161223.856（2，0，3）1195.9701223.910（1，0，2）1195.3291215.287图9RPGM迁移率模型ARIMA（1，0，1）的ACF和PACF研究学习率对预测精度的影响。学习率从0.1变化到1，步长为0.1并发现RMSE随着学习速率的增加而增加，如图10所示。在我们的例子中，我们选择了学习率l为0.3，这表明RMSE较低，epoch的数量也较少。ARIMA模型和MLP网络模型对同一数据集的预测结果见图11。MLP网络的预测性能优于ARIMA如表9所示，相应的曲线图如图9所示。 十一岁从我们的实验结果中，我们观察到MLP网络比统计模型ARIMA表现得更好，表6RWP移动模型预测ARIMA和MLP模型路径长度移动模型模型MSERMSEMaeRWPArima1.81.341.1MLP2.211.481.2表9RPGM移动模型预测ARIMA和MLP模型路径长度移动性模型模型MSE RMSEMAE RPGM ARIMA 2. 44 1. 56 1. 4MLPMANET中的路径长度预测111图11RPGM移动模型表8AODV路由中基于RPGM模型的MLP网络性能隐藏神经元RMSEMSEMae51.061.130.84101.101.220.89151.11.210.87201.141.290.91251.131.270.89301.171.380.93351.341.790.70401.391.951.11451.171.380.93501.211.470.66MHG和RPGM网络的移动性模型与RWP移动性模型基本相同。我们的研究建立在源和目的移动节点之间的路径长度的预测，MLP网络提供了相当好的结果在157. 结论在这篇文章中，我们已经在时间序列框架中构建了路径长度变化，然后使用ARIMA与合适的参数（p，d，q）对其进行建模。序列总是被发现是平稳的，估计d值为0。发现p和q值在1-2的范围内。因此，ARMA模型是适合我们的实验。MLP网络使用滞后路径长度并预测未来路径长度。在我们的实验中，发现MLP网络中的最佳神经元数目在15-25个隐藏单元的范围引用[1] 赫克马特河Ad-hoc网络：基本性质和网络拓扑。AADordrecht，The Netherlands：Springer;2006.[2] Banerjee A，Dutta P.移动自组织网络的有限区域路由发现。JSci Indust Res2011;70（4）：264-9.[3] 贝特施泰特角随机路径点移动的ad hoc网络拓扑特性。ACMSIGMOBILE Mobile ComputCommun Rev 2003;7（3）：50-2.[4] Lassila P，Hyyti E，Koskinen H.自组网随机路点移动模型的连通性。In：MedHoc-Net，le de Porquerolles; 2005. p. 159比68[5] Pucha H，Das SM，Hu YC.移动自组织网络中业务模式对路由协议性能的影响。计算机网络2007;51：3595-616.[6] 洪X，Gerla M，裴G，蒋C-C.一种自组织无线网络的组移动模型。在：无线和移动系统建模和模拟讲习班（MSWiM）;1999年。p. 53比60[7] 杨文，张文，等.移动自组织J Comput Inf Technol 2011;19（3）：143http://dx.doi.org/10.2498/cit.1001734网站。[8] Camp T，Boleng J，Davies V. A survey of mobility models foradhocnetworkresearch ， wirelesscommunicationsandmobilecomputing（WCMC）：special issue on mobile ad hocnetworking：research. Trends Appl2002;2（5）：483-502.[9] Ferreira TAE，Vasconcelos GC，Adeodato PJL.一种新的人工神经网络时间序列预测智能系统方法。2008：113-29.[10] 福塞湖神经网络的基本原理。EnglewoodCliffs：Prentice Hall;1994.[11] Perkins CE，Royer EM. Ad-hoc按需距离矢量路由。1997年：第二届IEEE移动计算系统和应用研讨会。p. 90-100[12] Box GEP，Jenkins GM，Reinsel GC.时间序列分析预测与控制。第3版 New Jersy：Prentice Hall; 1994.[13] Zhang GP，Patuwo BE，Hu MY.《人工网络预报：最新技术水平》，《国际预测杂志》，1998年：35-62。[14] Morris RJT，Samadi B.通信系统的神经网络控制。IEEE TransNeural Networks1994;5（4）：639-50.[15] Senthil Kumaran VST。移动自组网中的早期拥塞检测与自适应路由。Egyptian Informatics J2011;12（3）：165-75.[16] Guo Z，Sheikh S，Al-Najjar C，Kim H，Malakooti B.基于神经网络时延预测的移动自组网主动路由。无线网络2010;16：1601-20. http://dx.doi.org//s11276-009-0217-7.[17] Singh JP，Dutta P.移动自组织网络中节点移动性的时间建模 。 J Comput Inf Technol 2010;18 （ 1 ） ： 19-29. 得dx.doi.org/10.2498/cit.1001412余弦值.[18] Singh JP，Dutta P.移动自组网中移动性对路径长度的时间效应 。 Int J Wireless Inf Networks 2012;19 （ 1 ） ： 38-48. 得dx.doi.org/10.1007/s10776-011-0163-z余弦值.[19] 联 合 Bonnmotion ---- 流 动 情 景 生 成 和 分 析 工 具 。。[20] 放 大 图 片 作 者 ： McCanne S.ns 网 络 模 拟 器 。http://www.isi.edu/nsam/ns/>。