随机方向移动模型.ppt

基于概率矩阵的随机漫步模型 该模型采用3个状态来决定移动方向。状态0表示节点当前位置；状态1表 示节点先前的位置；状态2表示节点如果保持现有方向在下一步的位置。该模 型使用概率矩阵表示节点的状态改变。概率矩阵表示如下： p(0,0) p(0,1) p(0,2) P = p(1,0) p(1,1) p(1,2) p(2,0) p(2,1) p(2,2) * 其中，p(a, b) 表示节点从状态a到状态b的概率。下图图4表示该模型的一 个节点移动轨迹。 图4 基于概率矩阵的随机漫步模型的节点移动轨迹 移动矢量模型 移动矢量模型（Mobility Vector Model）中，节点的速度的2维分量用矢 量(xv, yv)表示；速度的标量值则根据节点移动的位置、时间计算出来。移动 矢量M = ( xm, ym) （或( γm, θm)）是基本矢量B = ( bxv, byv)（或( γb,θb)）和偏离 矢量V =( vxv, vyv)（或( γv, θv)）之和，即： M= B +α * V 基本矢量 B 是节点的主要速度和方向，偏离矢量 V 表示节点对基本矢量 的偏离。Α 是一个加速因子，通过调整加速因子使得速度在[Min，Max]范围 内，以使节点平滑地移动。 该模型由一些基本框架比如位置依赖模型( Location Dependent Model)、 目标模型( Targeting Model)和组运动模型( Group Motion Model)等组成。 * 高斯-马尔可夫模型 高斯-马尔可夫模型(Gauss-Markov Model)中第n 次运动可以参照第n -1次运 动的速度值、方向值和一个随机变量进行计算，计算公式如下: * 其中, vn，dn 表示节点在第n 个间隔的速度和方向；0≤ α ≤1，用来调节随机 性；表示当n-∞时的速度和方向的平均值；vxn-1，dxn-1是符合Gaussian分布的随 机变量。在第n个间隔, 节点的位置可以利用下述公式得到: xn= xn-1+ vn-1cos dn-1 ; yn= yn-1+ vn-1sin dn-1 其中, (xn, yn) ，( xn-1, yn-1) 分别是节点在第n次和第n-1次间隔的坐标；vn-1, dn-1分别是节点在第n-1次间隔的速度和方向值。图5是节点在高斯-马尔可夫模 型的一个节点移动轨迹。 图5 高斯-马尔可夫模型的节点移动轨迹 曼哈顿移动模型 曼哈顿移动模型（Manhattan Mobility Model）起源于曼哈顿街区的建 模，用来建模城市区域的移动。节点在城区地图里沿着垂直和水平的街道 移动。在十字路口，节点可以左转、右转或者向前移动。在同一个街道上 移动的概率为0.5，左转和右转的概率分别为0.25。节点移动的速度依赖于 时间。图 6 描述了曼哈顿移动模型的街区地图。 * 图6 曼哈顿移动模型的节点移动轨迹 方向移动模型 方向移动模型（Directional Mobility Model）采用的动态追踪方案共分成 4个策略：基于距离的策略、基于移动的策略、基于计时器的策略和多层策 略。假定移动用户选择某一方向为特权方向。 如图7所示，m是移动用户切换蜂窝的概率，1-m为移动用户仍然待在相 同蜂窝的概率。a是方向参数。M- a/( 5+ a) 是沿特权方向移动蜂窝切换的概 率，m/（5+ a）是沿其它方向移动的概率，它们之和始终为m。如果a = 1， 那么各方向移动概率相同，没有特权方向。 * 图7 方向移动模型示意图 加权路径点模型 * 加权路径点模型（Weighted Way Point model）建模真实移动场景中有 较高访问频率的热点地区，用于南加州大学校园内的移动建模。该模型应 注意的三点如下： 1、节点并不随机选择目的地,不同地区分配不同的权值, 表示目的地被 访问的概率。 2、目的地的权值选择依赖于节点当前的位置和时间。采用时间变量 马尔可夫模型表示权值对节点当前位置和时间的依赖关系。 3、每个位置的暂停时间分布是不同的。 指数相关随机移动模型 指数相关随机移动模型ECRM （Exponential Correlated Random Mobility Model，简称ECRM）基于运动