专利名称：一种无线网络中移动台到达时间预测方法
技术领域：
本发明涉及通信技术领域，特别是涉及无线网络和神经网络理论。
背景技术：
随着无线网络路由技术的快速发展，移动台可通过多路径到达目的节点，为实现对移动台的高效监控和管理，需准确预测移动台到达目的节点的时间。无线网络中的多径路由协议多径路由协议是无线网状网路由协议中非常重要的一类路由协议。传统的路由协议中，源、目的节点之间只有一条路由路径，而多径路由协议中，源、目的节点之间可以同时存在多条路由路径。多径路由协议可以提高路由的健壮性、进行负载均衡等，还可以提高QoS相应參数(如端到端传输延迟)。由于多径路由协议需要在源、目的节点之间寻找到多条路径，因此它适用于网络节点较为密集的场景中。多径路由 协议的多条路径可以按照路径相互之间的不相关程度分为三类节点不相交路径、链路不相交路径和缠绕型路径。多径路由协议的关键问题
无论是使用单条路径传输数据还是同时使用多条路径传输数据的多径路由协议都可以带来传输性能的増益，但是相应的，多径路由协议也増加了一定的路由复杂度和开销，包括寻路，路径选择，路由维护等。多径路由协议的关键问题主要有以下几点
(I)不相关路径的寻找
多径路由协议大多倾向于使用节点不相交的路径进行数据传输，在网络全局拓扑未知的情况下，如何找到不相关路径是多径路由协议中的关键问题之一。在实际网络中，有可能找不到节点不相交的路径，所以很多路由协议采用“最大不相关程度"来衡量路由协议所选路径的健壮性。另外，在无线网状网中，不相交的路径虽然健壮性较好，但是其路径的单径性能可能很差，例如路径长度过长，因此，在寻找不相交路径吋，需要综合考虑可用性和路径性能。(2)路由判据设计
多径路由协议不同于单径路由协议，单径路由协议中，路由判据只需要根据单条路径的性能来衡量，而多径路由协议中，如何衡量多条路径的性能成为难点。当只使用一条路径进行传输，其它路径作为备选时，多径路由协议的路由判据多和单径路由的判据类似。但是，在选取备用路径的时候，除了考虑备用路径的单径性能，还需要考虑备用路径和原路径的相关性。当使用多条路径进行传输时，路由判据的设计就需要考虑多种因素，包括路径之间的干扰，路径总体性能等。常见的路由判据有路径平均剰余带宽、路径总的吞吐量、路径平均时间数据包到达率等。(3)路径的个数和数据流的分布
当采用多条路径同时传输数据时，最終使用的路径个数和数据流在各个路径上分布都是需要考虑的问题。一般来说，路径的个数越多，带来的性能増益也越多，但是相应的会增加路由开销。同时，路径上数据的分发也应该和路径的单径性能结合考虑，如果某一条路径性能较优，则可以分配较大的数据流，反之亦然。(4)路径维护
尽管有多条路径，这些路径仍有可能因为链路或者节点失效而中断。路由维护是在初始路由路径确定以后对其进行更新的过程。在多径路由协议中，路由维护可以在某一条或者所有的路径都失效的时候进行。部分多径路由协议采用动态的路由维护机制来监控和维护可用路径的QoS性能。综上所述由于现有无线网络的多路径选择存在不确定性，对于及时发现和预测移动台的到达时间存在较大难度，因而有必要设计ー种高效的移动台到达目的节点的时间预测方法，实现对移动台的高效监瞀和管理。
发明内容
本发明所要解决的技术问题是解决多径条件下的移动台到达目的节点的时间预测问题。本发明为解决上述技术问题所采用的技术方案为提供一种基于移动台方位判别和自学习模型的移动台到达目的节点时间预测的方法，该方法通过建立自学习模型和对移动台的方位进行判断获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测；其特征在于通过发明一种针对在多径中的移动台到达目的节点的时间预测方法，实现对移动台的高效监瞀和管理，包括以下步骤
A、获取任一多路径中的移动台到达位置A的时间；
B、预测移动台从位置A到位置B的运动时间。所述步骤A中，位于多路径中的移动台到达位置B的时间由两部分组成，其中位置
B为目的节点，即龟=む+沒7^，其中电为多路径中的移动台到达位置B的时间，
为多路径中的移动台到达位置A的时间，为移动台从位置A到位置B的运动时间，
Tt为使用路径I的移动台《到达位置A的时间，其可通过对业务数据信息的采集和记录获得。所述步骤B中，采用人工神经网络的方法对移动台从位置A到位置B的运动时间进行预測。所需的人工神经网络模型包括两部分学习阶段和执行阶段，在学习阶段使用观测器组作为人工神经网络模型输入端和输出端的训练信号，执行阶段使用从学习阶
段获得的权重值作为对移动台从位置A到位置B的运动时间进行预测的通道，其中为
本移动台与路径集合i中任一路径的上一移动台之间的时间间隔，上一移动台使用与本
移动台相同或不同的路径，有I = % -, Tlk为路径集合L中任一路径的上ー移动台
t到达位置A的时间， 为本移动台与使用相同路径I的上ー移动台之间的时间间隔，
有i =,其中为使用路径I的上ー移动台先+ ,ii到达位置A的时间，G为本
移动台之前使用路径集合的多个移动台的权重平均运行时间，53, =Σ'^■■■■■ル_::為ん)，r = _yt^ - )，其中 < .为本移动台之前的第J个移动台从位置A至位置B的平均
运行时间，Γ为本移动台之前每ー移动台的权重之和力本移动台之前被选择的移动台的数量，为本移动台之前的使用路径I的移动台的从位置A至位置B的运行时间，
h'n = 了IMμ-でMμ ,其中为使用路ィ的移动台i + #到达位直B的时间，如图2所不。所述步骤B中，首先通过运用非定位分类器和接收信号強度矢量序列获取当前移动台估计位置，然后产生位置强度变量序列，之后产生累积位置强度变量序列，随之为每ー
位置強度选择矢量序列，最后获取人工神经网络模型需求的门限值今。所述步骤B中，产生位置强度变量序列的方法为令移动矢量=，获取OTV在X轴上的投影值《ろ，获取 V在Y轴上的投影值；I 若WVlr =TO^=O,贝IJ =(0.25,0.25,0.25,0.25),其中n, g，w，,分别为北方，东方，西方，南方，φ为四维 位置强度变量， = (Π, e, W，s),も和《力位置标量,若Wvjf和がV中任ー值不等于O,则令
A =^ = I^L , a.设置东西方向如果贝IJ ， ，如果
Kl + Kl Kl + Klk =。 S = 0 w = 0 k^O
并且腿 >0 ,则= *，w = 0 ,如果ゐ奪O并且战K = O JlJg = O，w = A,b.设置南北方向如果 v=0 贝1J s = 0 ，Π = 0，如果 v i0, ウ >° 贝!J s=0 ，Π = ν ,如果 ντ O , wう=0 ,贝 Ij
s = v，I 丄=O ο所述步骤B中，产生累计位置强度变量序列的方法为，令巧，^，…，η力
信号矢量序列，r为权重值，今为门限值为位置A，^为位置A的位置强度变量r力本次累计位置強度，。为估计位置，^为估计位置的信任值，当观测器接收到第一个信号矢量时，则^ =ム^V1) ’ち=け》,O.25,O.25，O.25)，并且炉=%，若观测器未接收到第一个信
号矢量，则对于每ー个信号矢量W ,2<,< ，令I;=ム(’],运用/;和‘计算位置强度变
量巧，并令- =，ダ为下次累计位置強度，选择具有本次最大累计位置强度值的位置作为估计位置，并选择最大的定位置作为估计位置的信任值，如果c > A ,则有り=J ,如果パλ，则有む=f/ ,其中I1ん.Js为估计位置序列。本发明的有益效果为提供一种基于移动台方位判别和自学习模型的移动台到达目的节点时间预测的方法，实现了对移动台的高效监瞀和管理。
图I为无线网络多径结构示意图；图2为自学习模型示意 图。
权利要求
1.提供一种无线网络中移动台到达时间预测方法，通过建立自学习模型和对移动台的方位进行判断，然后获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测，实现了对移动台的高效监瞀和管理，包括如下步骤 A、获取任一多路径中的移动台到达位置A的时间； B、预测移动台从位置A到位置B的运动时间。
2.根据权利要求I的方法，对于所述步骤A其特征在干位于多路径中的移动台到达位置B的时间由两部分组成，其中位置B为目的节点，即%,其中. 为多路径中的移动台到达位置B的时间，T；x为多路径中的移动台到达位置A的时间，为移动台从位置A到位置B的运动时间， 为使用路径I的移动台〃到达位置A的时间，其可通过对业务数据信息的采集和记录获得。
3.根据权利要求I的方法，对于所述步骤B其特征在于采用人工神经网络的方法对移动台从位置A到位置B的运动时间进行预测，所需的人工神经网络模型包括两部分学习阶段和执行阶段，在学习阶段使用观测器组作为人工神经网络模型输入端和输出端的训练信号，执行阶段使用从学习阶段获得的权重值作为对移动台从位置A到位置B的运动时间进行预测的通道，其中ら^为本移动台与路径集合i中任意一条路径的上ー移动台之间的时间间隔，上ー移动台使用与本移动台相同或不同的路径，有I = - Kk , 为路径集合“中任一路径的上一移动台到达位置A的时间，i为本移动台与使用相同路径I的上一移动台之间的时间间隔，有
4.根据权利要求I的方法，对于所述步骤B其特征在于首先通过运用非定位分类器和接收信号強度矢量序列获取当前移动台估计位置，然后产生位置强度变量序列，之后产生累积位置强度变量序列，随之为每一位置強度选择矢量序列，最后获取人工神经网络模型需求的门限值今。
5.根据权利要求I的方法，对于所述步骤B其特征在于产生位置强度变量序列的方法为令移动矢量=获取^^，在X轴上的投影值 > 获取在Y轴上的投影值
6.根据权利要求I的方法，对于所述步骤B其特征在于产生累计位置强度变量序列的方法为，令^Vl，STV2，…，K为信号矢量序列，r为权重值4为门限值为位置A *力位置A的位置强度变量f为本次累计位置強度，^为本移动台的估计位置，e为本移动台的估计位置的可信度值，当观测器接收到第一个信号矢量时，则冬=ム(M)，= (0.25,0.25, tl25, 0.25),并且炉=% ,若观测器未接收到第一个信号矢量，则对于每ー个信号矢量
全文摘要
本发明提供一种无线网络中移动台到达时间预测方法，该方法通过建立自学习模型和对移动台的方位进行判断获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测。本发明的显著效果是通过对无线网络中的移动台的方位进行判断并结合人工神经网络技术，实现了对移动台的高效管理。
文档编号H04W64/00GK102685765SQ20121013084
公开日2012年9月19日 申请日期2012年4月30日 优先权日2012年4月30日
发明者黄东, 黄林果 申请人:黄林果