文献综述（或调研报告）：
移动Ad hoc网络(mobile Ad hoc network,MANET)是指一组移动节点组成的多跳的临时性的无固定基础设施支持的无线移动通信网络。Ad hoc网络的节点通过分层的网络协议和分布式算法相互协调，实现网络的自动组织和运行。网络中所有节点的地位平等,每一个节点都可以作为数据通信的源节点、目的节点或中间转发节点。当通信的节点不在直接通信范围内时,报文要经过多跳(hop)才能到达目的地,这是Ad hoc网络与其他移动通信网络的最根本区别。
移动模型是网络仿真中的重要参数,用来描述网络中移动节点的运动方式,包括它们的位置、速度和加速度的变化。对移动模型的设计和研究是Ad hoc网络中各类协议和技术开发应用的基础,它将有利于人们对网络性能以及可能出现的问题有更好的认识,从而为网络的具体实现和性能改善起到推动作用。
由于定位方法不同，数据不同，人类轨迹的预测模型也各有不同。有人利用手机呼叫记录中的基站信息研究人类移动行为的可预测性，他们发现人类移动模式具有较强的规律性，移动行为的预测性平均上限可达到93%，并且可预测性并不随人种、性别、年龄等而异，但是他们并没有提出实际的预测模型。也有人利用蓝牙得到用户位置网络，并提出一种基于时间点的隐式马尔科夫模型，研究用户的日常活动，进行下个地点的预测。还有人利用诺基亚移动数据挖掘竞赛提供的少量用户使用手机的信息数据，提出了3种下一地点预测模型，从统计学习、机器学习以及分类等角度尝试解决移动轨迹预测。然而这部分数据都是由志愿者提供，样本数量有限，难以满足大规模算法验算。此外，有人还利用北京市出租车车载GPS数据进行目的地预测，他们提出移动轨迹拆分的地点预测模型试图来解决数据的稀疏性问题。同时还有大量的研究者将用户的社交关系加入预测模型来辅助进行预测，他们研究用户当前所处地点以及用户的好友们最近签到的地点之间的时间和空间的临近关系来判断用户的本次出行是否是受社交影响的出行，如果是社交出行则利用社交信息来进行地点的预测，否则进行常规的基于时空规律的地点预测。
由这次的trace数据特征可以将本次的实验移动对象设置为单一移动对象，位置预测技术通过分析建模用户的GPS历史轨迹来发现用户日常的出行规律，然后利用该规律与用户当前已知的部分轨迹进行匹配与预测。位置预测技术可以分为单一位置预测技术和路径预测技术。打算使用单一位置预测技术。
单一位置预测方法主要通过各种各样的技术来用于推断用户旅行的目的地或者经过的下一个位置。无线通信设备的普遍使用使得高效地创建和验证预测模型成为可能。
Karbassi 等人使用超过 3 年的历史轨迹数据，发展了一种算法来分析轨迹数据在每个固定时间段出现的概率，最后得到历史轨迹数据的概率直方图。将用户的当前位置与此概率直方图匹配便可以预测该用户的下一个位置。例如通过将公交车乘客和概率直方图相匹配便可以得知此乘客想乘坐的公交路线。他们的算法假设在一天的某个时段，公交车行驶的路段和方向是确定的。
Krumm和Horvitz提出一种被称为predestination的预测技术。该方法进行预测时不仅利用用户以前访问过的目的地信息，也考虑用户曾经没有访问过的位置。然而这一点在前面提到的预测技术中都没有被考虑。Krumm和Horvitz先将地图分割成40times;40的二维网状空间（宽1km，高1km），然后预测司机结束旅行的位置所属的那个网状区域。他们也用这种方法来处理用户以前没有访问过的位置。每一个网状区域有个与目的地相关的概率，其中随机变量D表示目的地，X表示从用户当前的位置特征推测出的概率向量。该文中使用的位置特征很广泛，包括一天中的哪个时间段，一周中的哪一天和地表覆盖情况。利用这 3 种不同类型的特征，他们的模型结合用户当前轨迹的预测平均误差为2km。
以上两种技术都加入了时间的维度，符合本次实验的要求，传统的马尔科夫模型所用的关联矩阵不能显示出来节点移动的时间先后顺序，因此需要改进。
当一个用户终端（唯一的 MAC 地址）移动使用无线网时，按时间顺序记录下MAC依次接入的AP及停留在每个AP的起始和结束时间，以此作为此终端移动轨迹的记录。每个MAC地址对应一系列这样的轨迹记录(ap, startTime, endTime)。对每个MAC地址的轨迹记录，按照其接入AP进行分类，然后把每个AP的接入时间区段按先后顺序排列，注意区段中的起始时间用负数表示。这种表示方法很容易用各种编程语言提供的散列结构和数组来实现。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
