CN105722030A - 一种dtn网络中节点位置预测方法 - Google Patents

Abstract

本发明公开了一种DTN网络中节点位置预测方法，其方法为利用灰色理论在当前信息缺失的情况下，利用历史数据对目标节点的将来时刻的方位角进行预测，并将得到的方位角灰色预测值作为将来时刻的观测值，结合节点的运动模型，并利用卡尔曼滤波算法进行节点位置估计，再通过迭代递推，得到所需时刻的目标节点位置。本发明直接利用目标节点当前保存的历史数据，不需要复杂的趋势和转移概率计算，实现了在信息缺乏情况下对DTN网络节点位置的预测。

Description

一种DTN网络中节点位置预测方法

技术领域

本发明涉及网络通信技术领域，特别涉及一种DTN网络中节点位置预测方法，用于在延迟和中断容忍网络、传感器网络、移动自组织网络环境下制定传输方案时对节点位置进行预测，以及移动通信领域对移动台进行位置预测。

背景技术

延迟容忍网络(DelayTolerantNetwork,DTN)是一种数据传输中存在很大延迟或者节点之间的链接经常中断的网络环境，这种环境中，节点不断运动，不能保证信息从源端到目的端存在一条连续的路径。如低轨卫星通信网络、飞行器自组织网络、传感器网络、车辆自组织网络(VANET)等。

对于DTN网络中的信息传输而言，由于从源端到目的端不存在一条连续的路径，为找到保证消息成功到达目的节点的路由，一般是进行洪泛式转发，或基于对中间节点与目的节点相遇概率的估计，来选择下一跳节点进行存储转发。只要能预测到节点的将来位置及其出现概率，则可以大大提高路由策略的效率；此外，在能够预测节点位置或轨迹的情况下，也将会对DTN网络中的服务质量控制策略、信息安全策略等的方案设计带来很大方便。因此，研究DTN网络中对节点位置的预测具有重要的意义。

然而，DTN网络中的节点位置预测却不同于传统移动通信网中的位置预测问题。在传统移动通信网中，源节点与目的节点之间一般可以找到一条即时的连续路径，位置预测服务节点可以及时获取到目标节点当前的位置信息，并据此获得节点的运动趋势从而进行位置预测；但在DTN网络中，源节点与目的节点之间不存在即时的信息连续传输路径，传输延迟很大且链路经常中断，位置预测服务节点获得的节点位置信息常常是过时的、局部的、不完整的，因而对DTN网络中节点位置的预测存在很大的挑战。

目前有关移动通信网中节点位置或轨迹的预测方法大多是基于马尔可夫模型进行预测，即节点下一状态(位置)只依赖于节点当前的状态(位置)，节点将来的状态(位置)预测可以看作基于马尔可夫模型的一步或多步预测。然而，马尔可夫模型要求已知节点的当前位置及状态转移概率矩阵，且状态转移要相对稳定，其中，状态转移概率通常基于对大量的历史数据进行离线统计来获取。但是DTN网络无法满足即时性要求，不能利用节点位置变换的状态转移矩阵，来对DTN网络中节点位置进行预测。

陶剑峰等提出了一种基于灰色预测的目标跟踪算法(“灰色预测在跟踪式卡尔曼滤波中的应用”，2007年系统仿真技术及其应用学术会议论文集，第9卷986-989页)，该算法提出对目标的当前时刻的运动状态(坐标及其速度)估计值进行灰色预测，以该灰色预测代替卡尔曼算法中的状态转移方程，结合当前时刻观测到的方位角进行扩展卡尔曼滤波，得到当前时刻的目标的位置。然而，这种方法主要适用于目标在机动运动状态，可以观测到当前时刻的目标方位角的情况。在DTN网络中，我们无法得到当前时刻的目标方位角及坐标、速度等一切运动信息，也无法应用于DTN环境下的位置预测。

因此，需要一种能够对DTN网络中节点位置及其连续运动轨迹进行预测的技术方案。

发明内容

本发明的目的：实现对DTN网络中节点位置及其连续运动轨迹的预测。

为了实现上述发明目的，本发明提供一种DTN网络中节点位置预测方法，其特征在于，包括以下步骤，

S1：根据位置服务节点上当前保存的目标节点的历史数据，计算所述目标节点的方位角序列；

S2：对所述方位角序列进行灰色预测，得到方位角在下一时刻的灰色预测值；

S3：将方位角灰色预测值作为对应时刻的观测值，并结合目标节点的运动模型，进行卡尔曼滤波，得到所述目标节点在对应时刻的位置的卡尔曼估计值；

S4：根据卡尔曼位置估计值，构造所述目标节点的新的方位角序列后，跳转至S2，并在得到所需时刻的所述目标节点位置的估计值后，停止迭代。

根据一种具体的实施方式，S2包括，

S21：计算所述方位角序列直到保存数据最后时刻的一阶累加值序列；

S22：计算所述一阶累加值序列的紧邻均值序列；

S23：根据所述紧邻均值序列，建立GM(1,1)基本模型方程以及根据所述累加值序列，建立GM(1,1)基本模型方程的白化方程，并求解所述白化方程，得到方向角一阶累加值的白化响应序列；

S24：根据所述白化响应序列，得到方位角在下一时刻的一阶累加值的灰色预测值，对方位角在下一时刻的一阶累加值的灰色预测值进行一阶累减还原，得到方位角在下一时刻的灰色预测值。

根据一种具体的实施方式，S3包括，

S31：将所述目标节点的所述方位角灰色预测值作为观测值，建立观测方程，并利用所述观测方程，将所述目标节点的运动状态方程用矩阵形式表示；

S32：根据所述目标节点的运动状态方程，进行状态预测和方差预测；

S33：根据所述状态预测与所述方差预测的结果，计算增益矩阵；

S34：根据所述增益矩阵，分别对所述状态预测与所述方差预测的结果，进行状态滤波和方差滤波，得到所述目标节点在对应时刻的位置的卡尔曼估计值。

根据一种具体的实施方式，S4包括，

S41：根据所述卡尔曼位置估计值，得到对应时刻的方位角计算值；

S42：比较所述方位角计算值与所述方位角灰色预测值之差的绝对值与预测门限值的大小，判断所述目标节点是否发生机动运动；

S43：若所述方位角计算值与所述方位角灰色预测值之差的绝对值大于所述预测门限值，则所述目标节点发生机动运动，将所述方位角计算值添加至所述方位角序列末尾，否则所述方位角序列不变。

与现有技术相比，本发明的有益效果：

本发明利用灰色理论在历史信息缺失的情况下，首先对节点方位角进行估计和预测，以该方位角灰色预测值作为当前时刻的观测值，结合节点的运动模型，并利用卡尔曼滤波算法进行节点位置估计，再通过迭代递推，得到所需时刻的目标节点位置。本发明直接利用目标节点当前保存的历史数据，不需要复杂的趋势和转移概率计算，可以实现在信息缺乏情况下对DTN网络节点位置的预测。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

本发明的DTN网络中的节点都处于同一个坐标系中，移动节点具有测量当前时间和自身位置坐标并向位置服务节点报送的能力，但由于网络传输的延时和链路经常性的中断，这些信息不能即时传递到位置服务节点，并且发生丢失，位置服务节点处保存的目标节点位置信息是一些历史数据，而且也不完整。

本发明的DTN网络中节点位置预测方法能够实现对DTN网络中节点位置及其连续运动轨迹的预测。结合图1所示的本发明的流程示意图，本发明的DTN网络中节点位置预测方法包括：

S1：根据位置服务节点上当前保存的目标节点的历史数据，计算目标节点的方位角序列。其中，假定在位置服务节点上当前保存有若干个时刻的目标节点的位置信息，并且目标节点的坐标为(y(k)，x(k))，k为1，2，······n，用于表示各个时刻的时间顺序，根据目标节点的坐标，在对应时刻目标节点的方位角为：

$\mathrm{\θ}\left(k\right)=\arctan \frac{y\left(k\right)}{x\left(k\right)}---\left(1\right)$

根据公式(1)得到时刻1，2，······n时刻的方位角序列，设为Θ⁽⁰⁾＝{θ⁰(1),θ⁰(2),...,θ⁰(n)}，其中位置服务节点上当前保存历史数据的最后时刻为n。

S2：对方位角序列进行灰色预测，得到方位角在下一时刻的灰色预测值。具体的，S2包括：

S21：计算方位角序列直到保存数据最后时刻的一阶累加值序列。其中，一阶累加值序列为 ${\mathrm{\θ}}^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\θ}}^{\left(0\right)}\left(i\right),k=1,2,...,n.$

S22：计算一阶累加值序列的紧邻均值序列。其中，紧邻均值序列为Z⁽¹⁾＝{z¹(2),z¹(3),...,z¹(n)}，并且， $z^1\left(k\right)=\frac{1}{2}\[{\mathrm{\θ}}^1\left(k\right)+{\mathrm{\θ}}^1(k-1)\],k=2,3,...,n.$

S23：根据所述紧邻均值序列，建立GM(1,1)基本模型方程以及根据所述累加值序列，建立GM(1,1)基本模型方程的白化方程，并求解所述白化方程，得到方向角一阶累加值的白化响应序列。

其中，GM(1,1)基本模型方程为：

θ⁰(k)+az¹(k)＝b(2)

GM(1,1)基本模型方程的白化方程为：

$\frac{{\mathrm{d\θ}}^1}{dt}+{\mathrm{a\θ}}^1=b---\left(3\right)$

求解上述白化方程，得到GM(1,1)基本模型的方位角一阶累加值白化响应序列为：

${\widehat{\mathrm{\θ}}}^1\left(k\right)=\[{\mathrm{\θ}}^1\left(1\right)-\frac{b}{a}\]e^{-a(k-1)}+\frac{b}{a},k=1,2......n,n+1,......---\left(4\right)$

其中，参数a，b满足(a,b)^T＝(B^TB)^-1B^TΘ，而且， $\mathrm{\Θ}=\left[\begin{array}{c}{\mathrm{\θ}}^0\left(2\right)\\ {\mathrm{\θ}}^0\left(3\right)\\ .\\ .\\ .\\ {\mathrm{\θ}}^0\left(n\right)\end{array}\right],$ $B=\left[\begin{array}{cc}-z^1\left(2\right)& 1\\ -z^1\left(3\right)& 1\\ .& .\\ .& .\\ .& .\\ -z^1\left(n\right)& 1\end{array}\right].$

S24：根据白化响应序列，得到方位角在下一时刻的一阶累加值的灰色预测值对方位角在下一时刻的一阶累加值的灰色预测值进行一阶累减还原，得到方位角在下一时刻的灰色预测值。其中，方位角在下一时刻的灰色预测值为：

${\mathrm{\θ}}^0(n+1)={\widehat{\mathrm{\θ}}}^1(n+1)-{\mathrm{\θ}}^1\left(n\right),k\≥1---\left(5\right)$

S3：将方位角灰色预测值作为对应时刻的观测值，并结合目标节点的运动模型，进行卡尔曼滤波，得到目标节点在对应时刻的位置的卡尔曼估计值。具体的，S3包括：

S31：将目标节点的方位角灰色预测值作为观测值，建立观测方程，并利用观测方程，将目标节点的运动状态方程用矩阵形式表示。其中，运动状态方程表示为：

$\left\{\begin{array}{c}X\left(k\right)=\mathrm{\Φ}(k-1)X(k-1)+W\left(k\right)\\ Y\left(k\right)=h\left(X\right(k\left)\right)+V\left(k\right)\end{array}\right.,(k=1,2,......n)---\left(6\right)$

其中，状态矢量X(k)＝[x(k),y(k),v_x(k),v_y(k)]^T，系统随机扰动噪声为W(k)＝[wx(k)wy(k)wv_x(k)wv_y(k)]^T，其方差为

∑W(k)＝[σ_wxσ_wyσ_wvxσ_wvy]^T，状态转移矩阵为： $\mathrm{\Φ}\left(k\right)=\left[\begin{array}{cccc}1& 0& T& 0\\ 0& 1& 0& T\\ 0& 0& g_x& 0\\ 0& 0& 0& g_y\end{array}\right].$

观测矢量Y(k)＝[θ(k)]为所需预测时刻的方位角值,运算时用前述方位角序列及其灰色预测值代入；观测噪声V(k)＝[v_θ(k)]，观测噪声的方差为∑_V(k)＝[σ_vθ]。

(x(k),y(k))是节点在时刻k的位置坐标，(v_x(k),v_y(k))是节点在x，y两个坐标轴方向上在时刻k的速度矢量，T是观测时间之间的间隔，g_x，g_y是速度变化的系数。

S32：根据目标节点的运动状态方程，进行状态预测和方差预测。其中，状态预测为：

X_k|k-1＝Φ_kX_k-1|k-1(7)

方差预测为：

P_k|k-1＝Φ_kP_k-1|k-1Φ_k ^T(8)

其中，P_k-1|k-1是k-1时刻状态估计的方差。

S33：根据状态预测与方差预测的结果，计算增益矩阵。其中，增益矩阵为：

K_k＝P_k|k-1H_k ^T(H_kP_k|k-1H_k ^T+Σ_v(k))^-1(9)

其中， $H_k={\frac{\∂h\left(X_k\right)}{X_k}|}_{X_k=X_{k|k-1}}=\left[\begin{array}{cccc}\frac{y{\left(k\right|k-1)}^2}{x{\left(k\right|k-1)}^2+y{\left(k\right|k-1)}^2}& \frac{-x{\left(k\right|k-1)}^2}{x{\left(k\right|k-1)}^2+y{\left(k\right|k-1)}^2}& 0& 0\end{array}\right],$ Σ_v(k)＝E(v(k)v^T(k))＝[σ_vθ]，x(k|k-1)，y(k|k-1)取值为(7)式中的状态矢量预测值X_k|k-1中的位置坐标元素。

S34：根据增益矩阵，分别对状态预测与方差预测的结果，进行状态滤波和方差滤波，得到目标节点在对应时刻的位置的卡尔曼估计值。

在本步骤中，假定基于目标节点的历史数据计算得到的方位角序列的末尾时刻为n，则至少需从该序列中的(n-4)时刻开始，例如从第n-5时刻开始，利用GM(1,1)模型对第n+1时刻的方位角观测值进行灰色预测，在本步骤进行的卡尔曼滤波中，再从第n-5时刻的方位角观测值及状态值开始递推估计，其中观测方程中的观测量是方位角序列Θ⁽⁰⁾的计算值，增益矩阵和估计方差的初值可以设为零，获得随后各时刻的状态预测值、估计方差、增益值的时间变化序列，然后从第n时刻开始，以方位角矢量的灰色预测值作为观测方程中的观测量进行状态估计(滤波)，从而实现对节点的位置进行递推估计，即通过n+1时刻的方位角灰色预测值得到了目标位置在第n+1时刻的卡尔曼估计值。

S4：根据卡尔曼位置估计值，构造目标节点的新的方位角序列，并跳转至S2，并在得到所需时刻的所述目标节点位置的估计值后，停止迭代。具体的，S4包括：

S41：根据卡尔曼位置估计值，得到对应时刻的方位角计算值。其中，基于S3中得到的第n+1时刻的卡尔曼位置预测值X_n+1|n+1，利用公式：

${\mathrm{\θ}}^0{(n+1)}_{kalman}=\arctan \frac{y(n+1|n+1)}{x(n+1|n+1)}---\left(10\right)$

计算第n+1时刻的方位角计算值θ⁰(n+1)_kalman。

S42：比较方位角计算值θ⁰(n+1)_kalman与方位角灰色预测值θ⁰(n+1)之差的绝对值与预测门限值的大小，判断目标节点是否发生机动运动。其中，判别不等式为：|θ⁰(n+¹)_kalman-θ⁰(n+1)|>ε，其中θ⁰(n+1)是由主步骤S2得到的n+1时刻的方位角灰色预测值，ε是一个经验的门限值。

S43：若方位角计算值与方位角灰色预测值之差的绝对值大于预测门限值，则目标节点发生机动运动，将方位角计算值至方位角序列，否则方位角序列不变。

即相当于，若目标节点发生了机动运动，则使θ⁰(n+1)＝θ⁰(n+1)_kalman，方位角序列成为Θ⁽⁰⁾＝{θ⁰(1),θ⁰(2),...,θ⁰(n),θ⁰(n+1)}；否则，方位角序列仍为Θ⁽⁰⁾＝{θ⁰(1),θ⁰(2),...,θ⁰(n)}。

若构造目标节点的方位角序列完成后，跳转至S2，并且直到得到所需时刻的目标节点位置的卡尔曼估计值，停止迭代。

上面结合附图对本发明的具体实施方式进行了详细说明，但本发明并不限制于上述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作出各种修改或改型。

Claims (4)

1.一种DTN网络中节点位置预测方法，其特征在于，包括以下步骤，

S1：根据位置服务节点上当前保存的目标节点的历史数据，计算所述目标节点的方位角序列；

S2：对所述方位角序列进行灰色预测，得到方位角在下一时刻的灰色预测值；

S3：将方位角灰色预测值作为对应时刻的观测值，并结合目标节点的运动模型，进行卡尔曼滤波，得到所述目标节点在对应时刻的位置的卡尔曼估计值；

S4：根据卡尔曼位置估计值，构造所述目标节点的新的方位角序列后，跳转至S2，并在得到所需时刻的所述目标节点位置的估计值后，停止迭代。

2.如权利要求1所述DTN网络中节点位置预测方法，其特征在于，S2包括，

S21：计算所述方位角序列直到保存数据最后时刻的一阶累加值序列；

S22：计算所述一阶累加值序列的紧邻均值序列；

S23：根据所述紧邻均值序列，建立GM(1,1)基本模型方程以及根据所述累加值序列，建立GM(1,1)基本模型方程的白化方程，并求解所述白化方程，得到方向角一阶累加值的白化响应序列；

S24：根据所述白化响应序列，得到方位角在下一时刻的一阶累加值的灰色预测值，对方位角在下一时刻的一阶累加值的灰色预测值进行一阶累减还原，得到方位角在下一时刻的灰色预测值。

3.如权利要求1所述DTN网络中节点位置预测方法，其特征在于，S3包括，

S31：将所述目标节点的所述方位角灰色预测值作为观测值，建立观测方程，并利用所述观测方程，将所述目标节点的运动状态方程用矩阵形式表示；

S32：根据所述目标节点的运动状态方程，进行状态预测和方差预测；

S33：根据所述状态预测与所述方差预测的结果，计算增益矩阵；

S34：根据所述增益矩阵，分别对所述状态预测与所述方差预测的结果，进行状态滤波和方差滤波，得到所述目标节点在对应时刻的位置的卡尔曼估计值。

4.如权利要求1所述DTN网络中节点位置预测方法，其特征在于，S4包括，

S41：根据所述卡尔曼位置估计值，得到对应时刻的方位角计算值；

S42：比较所述方位角计算值与所述方位角灰色预测值之差的绝对值与预测门限值的大小，判断所述目标节点是否发生机动运动；

S43：若所述方位角计算值与所述方位角灰色预测值之差的绝对值大于所述预测门限值，则所述目标节点发生机动运动，将所述方位角计算值添加至所述方位角序列末尾，否则所述方位角序列不变。