CN1086903C

CN1086903C - 用于检验和预测移动终端运动的方法和装置

Info

Publication number: CN1086903C
Application number: CN95196830A
Authority: CN
Inventors: 刘乔治; A·S·马勒维; A·O·丹尼
Original assignee: Telefonaktiebolaget LM Ericsson AB
Current assignee: Telefonaktiebolaget LM Ericsson AB
Priority date: 1994-10-26
Filing date: 1995-10-16
Publication date: 2002-06-26
Anticipated expiration: 2015-10-16
Also published as: DE69533262D1; US5572221A; EP0788720B1; FI971778A; FI971778A0; KR100361122B1; AU3818995A; AU694575B2; MX9702942A; EP0788720A1; CN1170493A; WO1996013951A1; JPH10513016A; RU2141738C1; DE69533262T2

Abstract

用于检验和预测如移动蜂窝电话那样的移动无线收发信机的运动方式的方法和装置。预测移动终端下一个位置的方法包括将当前序列和多个已存的序列的每一个相比较的步骤，当前序列包含了移动终端的当前位置以及之前的一些位置，而每个已存的序列包含有移动终端的先前的各位置。

Description

用于检验和预测移动终端运动的方法和装置

背景：

申请人的发明涉及到用于预测如移动蜂窝电话那样的移动无线收发信机的运动的系统和方法。

正在发生一个重要的转变，那就是将移动通信和计算合为一个协同方式-移动计算-在移动通信网络中的新的事物。未来的移动通信系统除了支持普通的声讯业务外，还将支持电子邮件，数据库和文件存取业务，以及多媒体业务。

由于在不同的地理区域中移动终端的非单一通信业务模式，分层或分级的小区结构是未来移动通信系统的合理解决方案。一般说来，分级的小区结构包括不同的小区类型/大小，覆盖同一地理区域的正交小区层。分级小区结构通常由覆盖微蜂窝和微微蜂窝小区的宏蜂窝小区构成，这里通过它们的空间范围和其它的特征来区别微蜂窝和微微蜂窝。例如，一个微微蜂窝小区和具有一定数量信道组或同一识别码的区域，而一个微微蜂窝小区的标称半径通常小于200米。在一个分层的通信系统中，通常是在室内的微微蜂窝的通信带宽可以达到2-10兆比特每秒(MB/S)，而宏蜂窝小区的通信带宽在10-100千比特每秒(KB/S)的数量级。

当然，必须解决许多复杂的情况以在穿越不同小区层时对语音和数据都能支持对用户透明而且连续的通信。这种无线网络的接续和配置是高度动态的，因为移动终端可以改换位置，且它们的无线电环境可以在任何时间变化。同样，由于小区层面间带宽的明显不同，当前可用的通信网络对移动数据用户来讲是不透明的。传统的数据高速缓存和预获取技术在这种情况下效率是不够的。

超高速缓存和预获取技术通常用来提高在大规模分布式计算系统中的系统性能。测试表明，即使很小的高速缓存器也可以带来显著的收益。超高速缓存器不仅可以减少等待时间，还可极大地降低网络通信量，减少客户/服务器系统中服务器的使用量。预获取是高速缓存的补充，将数据成功地预获取到本地的高速缓存器中可以提高高速缓存器的命中率，即，所需数据可在高速缓存器中是否经常能被找到。

应用高速缓存器来减少等待时间和降低网络通信量的构想是建立在计算机程序数据存取模式的具有临时本地化的特性上。在D.Lija所著“在大型共享存储器多处理器中超高速缓存器的相关性：结果和比较”，ACM计算综论，Vol.25，no.3，pp.303-338(1993年9月)中有说明。临时本地化的意思是最近由程序存取的数据很可能在最近的将来再次被存取。这样，把近期内存取的远端数据保持在本地拷贝或高速缓存中，就可以在本地处理相同数据的重复存取而不用外加的网络通信量。依靠合理管理的超高速缓存器，相当数量的远端数据就可以象本地数据一样高效地存取。

另一方面，共享数据的多个拷贝的存在带来了保持各拷贝一致性的问题，在上述Lilja的文章中有相关阐述。当被缓存的数据被修改时，必须把变化反映到该数据所有的远端和本地的拷贝上来。各种高速缓存器的相关性方案可以根据所使用的数据共享语义而用来保持各拷贝的一致性，但是，保持分布式系统中高速缓存的一致性是一个非常复杂的问题，它牵涉到在一致性、透明性和网络通信量之间的合理的平衡。

预获取是分布式计算系统中另一项有用的技术，它使用了对远端数据预测需求的知识。远端数据被预先取到一个客户端，其意思是，在远端数据实际需求之前就获取。预想需求可以从客户端的过去行为中决定。例如，在分布式文件系统中通常预获取文件的工作集合，而工作集合的决定是建立在知道客户端的文件存取模式的基础上的。另一个常用的获取方法使用了空间本地化，这指的是客户端将需要的数据存储在与已经需要的数据邻近的地址或页面的概率是很高的。

现有的网络在无线数据存取上效率不高，原因是它们不支持数据和业务的移动性。当用户和终端是移动的时候，他们的数据在系统中仍然是静态配置的。传统上，个人/终端的移动性管理包括追踪用户/终端的位置和维持与系统中终端连接这样的被动功能。

同样，由于小区层面上数据通信带宽的显著不同，通信系统对移动数据用户来说不是透明的。换句话说，不同的小区层面对移动数据用户在性能上有显著的不同。传统的高速缓存和预获取技术主要是为固定的数据通信网络设计的，而在诸如蜂窝无线电话系统的通信环境中效率不高，在蜂窝无线电话系统中，通信信道是不可预测的且时间和地点是高度变化的。

问题是如何提高分级小区系统中的网络性能，特别是在平衡网络通信量和动态信道分配之间如何使网络利用和管理更加智能化，如何使移动环境中实现智能化的数据缓存和获取管理，以及如何提供有效的无线数据存取。

综上所述，需要能够预测移动终端用户的运动(或行程)的技术来支持在以高度完整性实现不同小区层面上的连接转移或切换。

发明概述：

本发明解决了上述的各问题，它提供了用于预测移动无线收发信机运动的方法和装置。这样，本发明实现了重要的目标，即提高了分级通信网络的性能，改善了在平衡网络通信量和动态信道分配之间的网络利用和管理，改进了在蜂窝移动通信网络中的数据超高速缓存和预获取。

根据本发明的一个方面，一种基于已存入的移动终端的先前位置，预测移动终端下一个位置的方法包括将当前序列和多个预存的序列的每一个相比较的步骤，当前序列包含了移动终端的当前位置以及之前的多个位置，而每个预存的序列包含移动终端的先前的各个位置。该方法还包括以下的步骤：在对当前序列与每个预存序列之间相匹配程度的至少一个定量的量度的基础上，选择一个预存序列，基于所选的这个预存序列，预测移动终端的下一个位置。

根据本发明的另一个方面，预测移动终端运动方法包括以下的步骤：(a)将当前序列和多个预存的序列中的每一个相比较，当前序列包含了移动终端的当前位置以及之前的多个位置，而每个预存的序列包含移动终端的先前的各个位置；(b)对当前序列与每个预存序列之间相匹配程度确定至少一个定量的量度，(c)如果该至少一个定量的量度超过了预定义的值，使用相应的存储序列的位置作为移动终端运动的预测位置。

在本发明的另一个方面，决定移动终端的运动中的正常模式的方法包括以下步骤：将移动终端的当前位置与多个先前位置中的每一个相比较，而每个先前位置保存在多个先前位置的队列中，先前位置以出现的先进先出的次序保存在队列中。所述的方法还包括，如果当前位置与队列中保存的多个先前位置之一相配的话，则标注一个位置序列，该序列包含当前状态、与当前位置相匹配的前一位置、以及过去出现在与当前位置相配的前一位置之后的各个位置。该方法还包括，将被标注的序列与多个所存储的位置序列中的每一个相比较，对被标注序列与每个存储的序列之间相匹配程度确定至少一个定量的量度，以及如果至少一个定量的量度超过了预先规定的值，则将该存储序列的优先级参数增加一个预定的数量。

所述的方法可以进一步包括以下步骤：将移动终端的当前位置以出现的先进先出的次序保存在队列中，判断当前位置是否至少是静止状态和边界状态之一，如果当前位置至少是静止状态或边界状态之一，执行其它步骤、

在本发明的另一个方面，决定移动终端运动中正常模式的方法包括以下步骤：(a)判断当前位置是否至少是静止状态和边界状态之一；(b)标注一个位置序列，该序列包括当前位置、最近的先前静止状态之一和最近的边界状态、以及发生在最近的静止状态之一和最近的边界状态之间的各先前位置；(c)将被标注的序列与所存储的多个位置序列之一相比较，对被标注序列与每个存储的序列之间的相匹配程度确定至少一个定量的量度，以及(d)如果至少一个定量的量度超过了预定义的值，则将该存储序列的优先级参数增加一个预定数量。

所述方法可以进一步包括以下步骤：将移动终端的当前位置保存在多个以前位置的队伍中、各位置以出现的先进先出的次序保存在队列中，如果当前位置至少是静止状态和边界状态之一，则执行其它步骤。

在这些方法中，多个存储的序列可以包括运动圈和运动轨迹，根据当前或被标注的序列中和存储序列中相同的位置的数目与当前或被标注序列中位置总数的比率，来选择存储序列中的一个。并且，也可根据当前或被标注序列的持续时长与每一个的存储序列持续时长相匹配程度的定量的量度，以及当前或被标注序列的频率与存储序列的频率相匹配程度的定量的量度，来选择存储序列中的一个。

本发明的另一个方面，提供了用于依据移动终端先前位置来预测移动终端下一个位置的装置，并提供了用来决定移动终端在运动中正常模式的装置。

例如，用于依据移动终端先前位置来预测移动终端下一个位置的装置包括了用于保存移动终端先前位置序列的存储器，和与存储器通信的设备，该设备用来将当前序列和多个存储的序列的每一个相比较，当前序列包含了移动终端的当前位置以及之前的多个位置。该装置还包括用于选择存储序列之一的设备，其选择的依据是至少一次当前序列与每个存储序列之间的相配程度定量的量度，该装置还包括用于根据被选中的存储序列之一生成移动终端下一位置的预测的设备、

在该装置中，多个存储序列中可以包括运动圈和运动轨迹，选择设备可以包括用于确定当前序列中和存储的序列中相同位置的数目与当前序列中位置总数的比率的设备。依据该比率选择存储序列中的一个。选择设备还可以包括用于产生第二个定量的量度的设备，该量度表示当前序列的持续时长与每个存储序列的持续时长相匹配的程度，还可包括用于产生第三个定量的量度的设备，该量度表示当前序列的频率与每个存储序列的频率相匹配的程度。该存储序列可以依据上述的比率和第二定量的量度或根据上述比率以及第二、第三定量的量度来选择。

在本发明的还有一个方面中，通信网络包括多个服务器，这些服务器位于不同的地理区域，组成分布式的文件系统；移动终端具有用来与最接近移动终端的服务器通信的设备，其中通信设备存取保存在服务器中的应用文件和数据文件；移动分布式系统平台具有用于控制服务器的分布式文件系统的设备和用于预测移动终端下一位置的设备，其中控制设备根据预测设备预测的下一位置，向各服务器传播对位置敏感的信息。

附图简述：

参见对所附插图的描述，可以掌握本发明的特征和优越性，其中：

图1是一个示范的分级、或多层次蜂窝小区系统；

图2是作为例子的蜂窝移动无线电话系统框图，包括一个示范的基站和一个移动站；

图3是分级通信系统中移动站运动的示意图；

图4表示本发明的移动站运动预测器MMP；

图5表示一个用户是如何沿着组合成运动圈内的不同状态而移动的；

图6表示各状态是如何组成运动轨迹的；

图7表示运动模式检测器的操作和在运动模式数据库中产生的数据结构；

图8是依据本应用发明的运动圈检测方法流程图；

图9是依据本应用发明的运动轨迹检测方法流程图；

图10所示是运动预测器的操作；

图11所示是运动预测方法的树状结构；

图12所示是用户如何以一个时间函数沿着不同状态运动的例子；

图13a，13b所示是在匹配过程中使用的构造约束的例子；

图14是依据本发明的移动站运动预测器的流程图；

图15例举本发明移动站运动预测器仿真的规范化的结果；

图16所示是应用了本发明移动站运动预测器的移动浮动代理和移动分布式系统平台；

详细描述：

大多数人(包括多数移动终端用户)有一个他们在每个星期中每天或多或少遵循的运动的常规模式。本发明应用了每个人运动的规律性来预测他们的下一个位置。例如，如果移动用户正离开由微微蜂窝小区(或微蜂窝小区)覆盖的区域，移动系统(或网络)就可以预测位置上的变化，并且，如果需要的话，通知网络预获取数据。

应用本发明，移动终端或通信网络可以在移动者到达新位置之前预测移动者的运动，并完成相应的合理动作。这种预测同样可以用于动态信道分配，移动终端定位，以及从频道到频道的呼叫切换，它可以是小区内或小区间，层间或层内的。该预测可作为定位算法的输入，这种算法产生一个用于切换或指派连接的候选通信信道列表。本发明中使用的术语“移动终端”可以理解为各类移动电话、便携式计算机、移动电文、个人数字助理等等。

图1是一个示范的分级或多层蜂窝系统。一个伞状宏小区10由六边型表示构成了一个覆盖小区结构。每个伞状小区可包括一个覆盖的微蜂窝结构。伞状小区10包含微蜂窝小区20和微蜂窝小区30，以及微微蜂窝小区40、50和60，其中小区20和30分别用点线和划线画出，表示沿城市街道的区域，小区40、50和60分别覆盖了大楼的独立层面。由微蜂窝小区20和30覆盖的城市两条街道的交接部分可能成为通信密度集中的地方，因此可能代表了一个热点。

图2所示是示范性的蜂窝移动无线电话系统的框图，包括一个示范基站110和一个移动站120。基站包括了一个控制和处理单元130，它连接到移动交换中心(MSC)140，140又连接到公共交换电话网(PSTN)上(图中没有表示)。这种蜂窝无线电话系统的一般情况可以由相关技术获知，例如在授予Wejke等人的美国专利NO.5,175,867(名为“蜂窝通信系统中的边界辅助切换”)以及美国专利申请NO.07/967,027(名为“多模式信号处理”)，该申请在1992年10月27日提交，在它们之中均有所阐述，本发明在此引入以作参考。

基站110通过语音信道收发信机150处理许多语音信道，收发信机150由控制处理单元130控制。每个基站还包括控制信道收发信机160，它可以处理多于一个的控制信道。控制信道收发信机160由由控制处理单元130控制。控制信道收发信机160通过基站或小区的控制信道向锁定于该控制信道的移动站广播控制信息。可以认为收发信机150和160能象语音和控制收信机170一样作为单个设备实现，用于数字控制和共享相同无线载波频率的话务信道。

移动站120在语音和控制收信机170上接收在控制信道上广播的信息。然后，处理单元180估算收到的控制信道信息，这些信息包括移动站候选锁定的小区特性以及移动站应该锁定哪个小区的决定。较为有利的是，所收到的控制信道信息不仅包括与小区相关的绝对信息，还包括与控制信道有关的其它邻近小区的相对信息，参见授予Raith等的美国专利NO，5,353,332，标题为“无线电话系统中用于通信控制的方法和装置”，此处引入以作参考。

图3显示了一个移动终端的运动模式的例子。移动用户A沿着分级小区结构所覆盖的区域运动，该小区包括具有2Mb/s通信带宽的微微蜂窝系统和宏蜂窝系统，例如具有数据传输带宽9.6Kb/s的GSM系统。用户A经过门D进入微微蜂窝小区所覆盖的区域之一，并在微微蜂窝小区覆盖的区域内(可以是在大楼内)运动一段时间。用户A进入房间L，移动到会议室C，然后经过门D离开第一个微微蜂窝小区覆盖的区域，进入宏蜂窝覆盖区域，如图所示。用户A穿过宏蜂窝覆盖的区域，移动到另一个微微蜂窝覆盖的区域，经过另一扇门B进入到该区域之中并在其中移动。

依据本发明的一个方面，用户A的运动将被用户A的移动终端或网络中的移动站运动预测器(MMP)记录。当用户以某个速度从房间C或房间L运动到点M，MMP将表明，用户A将以很高的概率离开高带宽、微微蜂窝所覆盖的区域。MMP将通知其它系统和应用完成相应的动作，比如，如果需要，在用户A离开之前作动态信道分配和数据预获取。

如图4所示，本发明的MMP包括了一个运动模式检验器IPD、一个运动模式数据库IPB、和一个运动预测器MP。IPD是用来检验用户在各位置或各状态之间运动的一般运动模式(IPs)，且用来将IPs保存到运动模式数据库(IPB)中。通常，IPB还包括预定的与通信系统构造或物理结构有关的信息，下文中将有详细描述。MP使用存在IPB中的运动模式来预测用户的下一个位置或状态。MP还将它的预测的与用户实际的下一状态作比较，更新IPB中存放的IPs。

向MMP提供输入的数据是移动站所处的IAs，或状态，并认为系统将以一个预定的周期，比如每隔1-5秒连续检查新状态。要明白，IAs识别移动站的位置，即移动站经过和所处的小区。所以，IAs可以有任何适当的形式，诸如码分多址(CDMA)通信系统中的码数，或时分多址(TDMA)通信系统中的小区位置，就像欧洲使用的GSM系统或北美使用的AMPS系统那样。运动模式或IAs序列存在IPB中，由运动预测器MP读取。

有三类匹配结构可被用作MCs或MTs的相关分析。第一类匹配，或状态匹配，表示具有相似长度的状态序列与另一长度相同的序列匹配的程度；它由下文中将描述的第一类匹配指数量化。第二类匹配，或者叫速度-或时间匹配，表示具有相同长度的状态序列持续时长与另一个状态序列持续时长相匹配的程度；它由下文中将描述的第二类匹配指数量化。第三类匹配，或频率匹配，表示具有相同长度的状态序列频率与另一个状态序列频率相匹配的程度；它由下文中将描述的第三类匹配指数量化。

在对本发明作更详细阐述之前，注释以下概念和缩写将有所帮助。

边界MC(BMC)：一个运动圈(MC)，其中至少有一个边界状态；BMC比MC有更高的优先级，具有边界优先参数β。

边界MT(BMT)：一条运动轨迹(MT)，其中至少有一个边界状态；BMT比MT有更高的优先权，具有边界优先参数β。

边界状态(BS)：在小区层面的边界的状态。

FIFO：先进先出。

分支状态(FS)：一种联接状态，在其后面的状态是在不同的运动圈中。

识别区域(IA)：小区或小区组，它向小区或小区组覆盖的区域发送识别信息。

运动模式库(IPB)：一个信息库，它包括了最大数量为M的运动模式。

联接状态(JS)：至少包括在两个不同的运动圈的状态。

LRU：近期最少使用的。

运动圈(MC)：具有n(n＞1)个顺序的状态的圈，其中至少包括一个静止状态。

运动轨迹(MT)：从静止状态或边界状态发出并终止于静止状态或边界状态的轨迹。

指针状态(PS)：状态队列中的一种状态，包括了指向IPB中所存的MC或MT的指针。

ρ：优先级参数，表示MC或MT的优先级、

状态(S)：用户的位置，即在运动模式(或运动图)中的一个识别区域IA，其中S_k，t表示在时间t(当前时间)的状态k。

状态队列(SQ)：以发生的时间次序保存的状态队列。

静止状态(SS)：一种状态(IA)，其中移动终端将停留至少一个时间段τ。

T_mc：一个MC的时段，由t_n-t₁得到，MC中第一和最后状态间的时间间隔。

过渡状态(TS)：一种状态，其中移动终端将停留小于一个时间段τ。

τ_b：标识一个BS的时间判据。

τ_s：标识一个SS的时间判据。

依据本发明，IPD以两个基本过程为基础：运动圈(MC)模型和运动轨迹(MT)模型。MC模型记录了长期的规律性的用户运动，并假设具有闭环或圆圈形式的状态。MT模型记录了日常运动，假设具有线性轨迹形式的状态。

MC模型的建立是假设用户从某个位置离开后，最终还会返回。这样，移动终端用户的运动就建模成不同的圆圈状模式，图5举了几个例子。各状态由以数字1-27，29-35标识的圈来表示，这些数字表示相应的识别区域IA。从图中可以看到，MC是一个具有持续时长Tmc的状态的闭环，或“圆圈”，且包括至少两个状态和至少一个静止状态。本发明决定某个状态是静止状态是用了如下的判据：如果提供给MMP的IA信号(输入状态)在一个预定义的时间段τ_s中(例如τ_s≥5分钟)没有变化，就认为状态S_k，t是静止状态。

换个角度来看，每个运动圈是一个状态的序列，如，〔1，16，17，18，21，20，19，18，1〕。可以看到，考虑运动圈时，用户必须按照已知的方向沿圈运动，因为对不同的方向其状态的次序不同。同每个MC相关的还有：LRU优先级参数ρ，它表示该MC相对IPB中其它的MC的优先级，频率参数F，它表示状态序列的频率(见图12)，以及边界优先参数β，对一个新的MC以上参数都初始化为0。通过比较输入的MC和IPB中已保存的每个MC就可检测出“新的”MC。如果下文将说明的新MC的第一类匹配指数μ与预存的MC中一个的指数相匹配，则该预存的MC优先参数ρ加1。否则，新MC以初始值ρ＝F＝β＝0被保存在IPB中。如果MC中一个或更多的状态是边界状态，该MC就称为边界MC，它的边界优先级参数β加1。

本发明的MMP依据以下判据决定输入状态是边界状态：(1)如果在预定值τ_b的时间段内(如，τ_b≥5分钟)没有接收到输入IA信号，则状态S_k，t-τb就是边界状态；或(2)如果在预定义时间段τ_b(如，τ_b≥5分钟)之后没有IA信号被接收，而接收到新的IA信号，那么状态S_k+1，t是个边界状态。

IPD用MT模型产生运动轨迹，该运动轨迹是一些这样的运动，其开始和终止都是静止状态或边界状态。由于并不需要形成闭环，MT模型是MC模型的较少约束的版本。图6中列举了MT的六个例子，它们是从图5中派生出来的，要说明的是，每个MC至少包括一个MT。

和运动圈一样，可以看到，考虑运动轨迹时，用户必须按照已知的方向沿轨迹运动，因为不同的方向状态的次序不同。同MT相关的还有：LRU优先级参数ρ，它表示该MT相对于其它的MT的优先级，还有频率参数F，以及边界优先参数β，对一个新的MT，以上都初始化为0。通过比较输入的MT和IPB中已保存的每个MT可检测出“新的”MT。如果下文将详述的新MT的第一类匹配指数μ与预存的MT中一个的指数相匹配，则该预存的MT优先参数ρ加1。否则，新MT以初始值ρ＝F＝β＝0被保存在IPB中。如果MT中一个或更多的状态是边界状态，该MT就称为边界MT，它的边界优先级参数β加1。

通过参考图7，将进一步理解IPD的操作和IPB中产生的数据结构，图7所示是运动圈MC1，它包括了三个运动轨迹MT1、MT2和MT3，是被按最近最少使用的(LRU)次序保存在IPB中的。图7中还显示了状态队列SQ，它包括了向MMP提供的最近的N个状态，按先进先出(FIFO)的次序被保存(图中从左到右读)。箭头说明IPD是如何将状态队列中的状态序列转换成IPB中保存的MT的(与图5和图6不对应)。标记“C：1/8，墙，街道，公路，等”指的是结构约束状态，它们从通信系统的物理结构中提取出来，下文中将有详细描述。可以理解，IPB和SQ可通过各种传统的电子存储器电路实现。

MC检测(MCD)方法

IPD在基于MC模式从状态队列中的状态以生成运动模式的时候，它采用运动圈检测(MCD)方法，此方法包括以下的步骤，它们也示于图8中的流程图。依据本发明的MCD和方法用C语言的伪代码描述，这样该方法无论是移动站、基站还是蜂窝无线电话总体的移动交换中心都可以容易地以硬件和软件形式实现。

设N为状态队列SQ中状态数的最大值；MCj是第j个MC；其它的量如上文所定义。保持有K个状态(其中1≤K≤N)的队列为FIFO次序，且数目为j的MC(其中1≤j≤M)以LRU替代次序保存在IPB中，步骤如下。

BEGIN

1)IF S_k，t是静态或边界状态。

IF FOR i＝k-L to 1，如果有S_i，t＝S_k，t(对任何t，且对k-i＞L)，

且S_i，t是一个SS或BS，则标注序列〔S_i，t-t1，S_i+1，t-t2，....，S_k，t〕作为新MC；

ENDIF：

ELSE GOTO END：

ENDIF；

2)IF新MC中的任一状态有边界状态，将新MC标注为“边界优先”，其边界优先参数β＝β+1；ENDIF；

3)将新MC与每个存储MC，即每个已存在IPB中的MC相比较，

IFμ≥α1(匹配)，则将存储的MC的优先级参数ρ加1并计算存储的MC的频率参数F；

ELSE

IFα2≤μ＜α1(部分匹配)，则标注在两个MC中的最近的匹配的状态为“分支状态”；

ENDIF；

以LRU替代次序将新MC保存进IPB中；

ENDIF；

将序列〔Si，t-t1，Si+1，t-t2，....，S_k，t〕从状态队列中除去；

END

上文中α2和α1是0≤α2＜α1≤1的数；SS是静止状态；BS是边界状态，L＝1，2，3...是IPB中最短MC的长度(状态的个数)；μ是第一类匹配指数。参数α1是一个置信度，根据精确的需要或期望的置信度来设定；通常α1设为0.95，0.975，0.99等。参数α2是部分匹配因子，表示两个状态序列之间匹配的程度，α2＝0.3，0.4，0.5..分别对应于70％，60％， 50％...的状态匹配；可以认为α2至少应该设为0.5，因为两个序列中至少有一半的状态相匹配才可能得到有意义的结果。

第一类匹配指数μ是第一个序列和长度相同的第二个序列两者相匹配(状态匹配)程度的标识。匹配指数μ由以下表达式得到：

μ = \frac{ms}{Ns}

其中ms是序列中相匹配的状态数，而Ns是每个序列中的状态总数。

运动轨迹检测(MTD)方法

IPD在基于MT模型以生成运动模式的时候，它采用运动轨迹检测(MTD)方法，该方法包括以下的步骤，如图9中的流程图所示。

设MTj是第j个MT；M为IPB中MT数的最大值；其它的量如上文所定义。保持K状态(其中1≤K≤N)的队列为FIFO次序，并把数目为j的MT(其中1≤j≤M)以LRU替代次序保持在IPB中，步骤如下。

BEGIN

1)IF S_k，t是静态或边界状态。

FOR i＝k-L to 1，IF S_i，t是SS或BS(对任何t，且k-1＞L)，

标注序列〔S_i，t-t1，S_i+1，t-t2，....，S_k，t〕作为新MT；ENDIF；

ELSE GOTO END；

ENDIF；

2)IF新MT中的状态有边界状态，将新MT标注为“边界优先”，边界优先参数β＝β+1；ENDIF；

3)将新MT与每个已存储的MT相比较，

IFμ≥α1(匹配)，将存储的MT的优先级参数ρ加1并计算存储的MT的频率参数F；

ELSE

IFα2≤μ＜α1(部分匹配)，标注在两个MT中的最近的匹配的状态为“分支状态”；

ENDIF；

将新MT以LRU替代次序存入IPB中；

ENDIF；

用状态队列中的PS代替新存入的MT；

END

上文中μ是第一类匹配指数；α2和α1是满足0≤α2＜α1≤1的数；PS是指针状态，L＝1，2，3...是MT的最短长度(状态的个数)；在这里要说明的是，使用指针状态代替另一个状态的优越性是避免了重复。

运动预测器

在本发明的MMP中运动预测器MP通过将当前运动的动作与存在IPB中的IP进行回归和相关分析而生成运动圈或运动轨迹的下一状态的预测。通常，MP的输出PDout是未来状态或未来状态的序列。

图10所示为MP的操作，MP包括用于比较的设备，用于将提供给MMP的输入状态与MMP产生的预测状态相比较，还包括用于将输入状态与IPB中保存的IP相匹配和用于生成预测的设备。如果比较器表明预测是准确的，即，当前输入状态与预测状态相匹配，该预测就作为MMP的一个输出。如果比较器表示当前输入状态与预测状态不相匹配，或当MMP被初始化，就执行一个运动预测进程来产生下一个预测。

当前输入状态与预测状态不相匹配时，MP就把以最近的静止状态或边界状态开始的输入状态序列与IPB中保存的每个MC和MT相比较。该匹配进程得出最佳匹配的已存入的运动模式，它成为运动预测器的输出。运动预测方法包括以下的步骤，并最好构成如图11中的树状结构。

运动预测方法(MPM)

设S_k，t是时间t时的状态k，令n＞0，ti＞0，M为IPB中MT和MC的最大值。保持K状态(其中1≤K≤N)的队列为FIFO次序，并保持数目为j的MT和MC(其中1≤j≤M)在IPB中为LRU替代次序。还假设PDout＝〔0〕或PDout≠〔0〕且S_k，t与Pdout的第一状态不匹配。

BEGIN

1)FOR每个新输入的状态S_k，t，将新序列〔S_{k-n，，t-tn}，S_{k-n+1，t-tn+1}，....，S_k，t〕与每个已存在IPB中的MC和MT相比较，(其中S_k-n，t-tn是最近的SS或BS，且n＞0)；

2)使用第一类(μ)匹配：

IF只有一个预存的MC或MT与新序列到达μ类匹配的要求(μ≥α1)，则相匹配的MC或MT的PDout＝〔S_k+1，t+t1，S_k+2，t+t2，....，S_k+m，t+tm〕，(m＞0)：GOTO END；

ELSEIF没有一个预存的MC或MT的μ与新序列到达μ类匹配的要求，则PDout＝Cout；GOTO END

ELSE使用第二类匹配(η)；ENDIF；

3)使用第二类匹配(η)：

FOR所有预存的MC或MT其μ与新序列到达μ类匹配的要求(μ≥α1)(联接状态)，IF只有一个预存的MC或MT与新序列到达μ类匹配的要求(η≤α3)，则相匹配的MC或MT的PDout＝〔S_{k+1，，t+t1}，S_k+2，t+t2，....，S_k+m，t+tm〕，(m＞0)：GOTO END；

ELSEIF没有预存的MC或MT与新序列达到η类匹配的要求，则找到一个可与新序列达到最佳μ类和η类匹配要求的约束状态；GOTOEND；ELSE使用第三类匹配(Φ)；ENDIF；

4)使用第三类匹配(Φ)：

FOR所有μ类和η类匹配的预存的MC或MT(连接状态)，IF只有一个预存的MC或MT与新序列达到Φ类匹配的要求(η≤α3)，则相匹配的MC或MT的PDout＝〔S_{k+1，，t+t1}，S_k+2，t+t2，....，S_k+m，t+tm〕，(m＞0)：GOTO END；

ELSEIF没有预存的MC或MT的F是与新序列的F相匹配(Φ≤α4)，则找到一个可与新序列达到最佳的μ类、η类和Φ类匹配要求的约束状态；GOTO END；

ELSE(多于一个预存的MC或MT其F与新序列的F相匹配(Φ≤α4)，则找到一个具有最高的ρ+β的约束状态，

ENDIF；

END

上文中μ是第一类匹配指数，η是第二类匹配指数，Φ是第三类匹配指数。其它的量如上文所定义。在上文中的过程里，当η类匹配，η≤α3，当Φ类匹配，Φ≤α4，其中参数α3和α4分别是第二、第三类匹配的置信度，它们和两个状态序列的速度和频率相匹配。由于移动用户的速度和频率一般变化很大，参数α3和α4的值不需要象参数α1和α2那样限制。因此，参数α3和α4的值可以是0.1，0.05，0.025，0.005...根据精确度的需要或期望的置信度来设定；通常α3和α4对置信度在95％时设为0.05。

第二类匹配指数η是长度相同的第一个序列和第二个序列持续时长(速度)相匹配(速率或时间匹配)的程度的标识。匹配指数η由以下表达式得到：

η = \frac{2 Σ_{i = 1}^{N_{s} - 1} | {(t_{i + 1} - t_{i})}_{2} &LeftRightArrow; (t_{i + 1} - t_{i}) |}{Σ_{i = 1}^{N_{s} - 1} [{(t_{i + 1} - t_{i})}_{2} &CirclePlus; {(t_{i + 1} - t_{i})}_{1}]}

其中(t_i+1-t_i)₁是第一序列中状态i和状态i+1间的时间间隔；(t_i+1-t_i)₂是第二序列中状态i和状态i+1间的时间间隔；“”是模减运算符，当时间间隔以小时计时，模数为24，而以分钟计时，模数为60；“”是模加运算符，当时间间隔以小时计时，模数为24，而以分钟计时，模数为60。

第三类匹配指数Φ是第一个序列和第二个长度相同的序列频率(速度)相匹配(频率或周期匹配)的程度的标识。参见图12，它表示用户是如何以时间为函数(以水平坐标表示)经过不同的状态的(以垂直坐标表示)，第三类匹配指数Φ按如下确定。图12中画出的六个运动圈可以解释为以不同的频率F1和F2重复的，其中F1是两个长的运动圈，而F2是四个短的运动圈。

MC或MT的频率Fk由以下公式得到：

F_{k} = \frac{n}{Σ_{k = 1}^{n} t_{k}}

其中n＝ρ+1。由图12可见，新输入的状态序列频率Fk’由以下公式得到：

F_{k}^{'} = \frac{1}{T_{k}}

因此，第三类匹配指数Φ可以由以下公式得到：

Φ_{k} = | \frac{Σ_{k = 1}^{n} t_{k}}{n . T_{k}} - 1 |

其中Φk＝0表示完全匹配。也可以看到第三类匹配指数Φ可以由以下公式得到：

Φ = | \frac{F_{1}}{F_{2}} - 1 |

其中F1是匹配的第一个序列的频率，F2是匹配的其它序列的频率。

再参见图11，如果只有一个预存的MC或MT与输入序列达到μ类匹配的要求(μ≥α1)，MMP就把它作为预测而提供。如果多于一个预存的MC或MT与输入序列达到μ类匹配的要求，便检查第二类匹配。如果只有一个预存的MC或MT与输入序列达到η类匹配的要求(η≥α3)，它便由MMP作为预测而提供。如果多于一个预存的MC或MT与输入序列达到η类匹配的要求，便检查第三类匹配。如果只有一个预存的MC或MT其F与输入序列的F达到匹配，它便由MMP作为预测而提供。如果多于一个MC或MT具有匹配的F，则该序列具有结构约束状态，序列中具有最高优先级参数ρ的状态由MMP作为预测而提供。

在匹配过程中使用的结构约束状态是基于通信系统的物理结构的，它对系统来讲是事先知道的。如果MMP是在移动站中实现，该物理结构信息可以通过发送到控制信道的附加消息提供给移动站。约束状态的简单情况在图13a，图13b中描述。

如图13a表示的那样，一个移动用户位于某个给定的小区，例如为小区0，他可以在同一平面里移动到相邻的六个小区1-6，相邻的小区也可以在该平面的上面或下面；这样，不考虑其它的信息，如果用户在所有方向上任意运动，这八个相邻小区的每一个都可以是下一状态，概率为1/8。图13b表示了一个物理结构，其中在走廊的一端有一扇门，该走廊同时与另一走廊相连。通信系统将预知一条走廊上的移动用户不可能穿过走廊的墙壁进入到其它的小区。该信息可以用来标识约束状态。

由本应用的移动运动预测器MMP完成的处理过程可以用以下的伪代码概述，它在图14的流程图中描述。

BEGIN

1)IF输入状态S_k，t是一个新的状态，DO步骤2)，3)，4)，ELSE DO步骤5)，6)，7)，8)，ENDIF；

2)FOR每个新输入的S_k，t，保持K个状态(其中1≤K≤N)的队列为FIFO次序，按照判据将S_k，t标注为“边界状态”；

3)IF PDout的长度大于1且S_k，t与Pdout的第一个状态μ类匹配，则PDout＝PDout-S_k，t；GOTO步骤9)；

ENDIF；

4)执行运动预测方法(MPM)；

5)IF S_k，t＝＝S_k，t-τ(对τ≥τs)，按照判据将S_k，t标注为“静止状态”；ENDIF；

6)执行运动轨迹检验方法(MTD)；

7)执行运动圈检验方法(MCD)；

8)将数目为约j(MCs+MTs)以LRU替代次序保存在IPB中，

(其中0≤j≤M)；

9)从步骤1)起重复；

END

使用本发明，移动终端将在以下方面更加智能化：对数据通信和移动文件系统的数据超高速缓存和预获取管理；信息管理，如选择信息发送格式，等；网络使用和管理，如，平衡网络通信量和动态信道分配，等。移动数据通信将对用户更加透明，服务质量将更好。

已对本发明的MMP的操作作为仿真，参照图15，将描述仿真的结果，图15显示了一个标准化的本发明MMP仿真结果，其中状态数为100，状态队列的长度为500，IPB的大小为500，λ0等于0.05。仿真了五个星期的MMP的操作。

图15显示了预测率PR与随机因子之间的关系。随机因子指的是纯偶然性运动的比例；随机因子为1指的是某特定运动或状态间的转移是完全随机的。预测率是被准确预测的状态与所有输入状态的比率；预测率为1指的是MMP的所有状态预测都是正确的。

在图15中，“最佳”线是所期望的最好结果(理论上的)，即如果运动中有一个规则因子X(即随机因子为1-X)，那么预测率就是X。可以从图15中看出，仿真的MMP结果与最佳线吻合得很好；图15中的虚线表示仿真结果的均方值，仿真MMP的预测效率约为95％，预测效率是预测率与规则因子的比率。

在完成仿真时，应用了一些简化的假设，它们并不完全反映实际情况。特别是，假设移动站从一个IA移动到另一个IA的概率是均匀分布的；换句话说，没有使用结构约束状态(约束的输出为0)。

相继状态间的时间间隔也假设为泊松分布，它用一个日常移动因子来调整，关系如下：

λ＝λ₀·MF

其中λ0是未调整的泊松分布密度。日常移动因子根据每天仿真的时间，可以取三个值中的一个：对于时间2000点到0600点，MF＝2；对时间0830点到1600点，MF＝4；对时间0600点到0830点和1600点到2000点，MF＝8.移动因子可以认为和实际情况充分接近。

本发明的移动运动预测器可以应用在主动的移动性管理机制中，它可称为预测的移动性管理。MMP基于用户的移动模式的历史预测用户将去的方位，在用户还没有到达该处时，数据和/或业务就预连接和/或预指定到预测的位置了。用这种方法，用户可以在预测的位置上以和前一位置上基本相同的效率访问他或她的数据和/或业务。

为了将网络业务和资源分布得离移动用户更近，即为了在无线数据网络中提供业务和资源的移动性，可以用本发明的MMP实现移动的浮动代理(Floating Agent，即MFA)和移动的分布式系统平台代理(MDSPA)。服务移动性定义为，为了满足移动用户服务需求的质量，在所覆盖的网络中不同的服务逻辑的移动性。资源移动性定义为，为了满足移动用户的业务需求，诸如系统数据/程序、用户数据、用户程序等资源的移动性。从用户和终端移动性发展的移动性管理是用来管理服务和资源的移动性的。

为了有效地支持移动性，每个用户和每个终端在网络中最好由不同的代理来表示，上述的代理包括了所有的与用户或终端有关的业务逻辑和业务数据，并控制着用户或终端的所有的通信进程。用户/终端连接在网络中的接入节点上，而代理则在业务节点上提供服务。在网络中，比如欧洲的GSM网，基站控制器起到接入节点的作用，而MSC与集成的访问位置寄存器一起，既是业务节点又是可被访问的位置。这类智能化的网络和代理的不同方面在L.Sderberg的文章“对个人通信的智能化结构的发展”中有阐述，见Ericsson Reviw，vol.70，no.4，pp.156-171(1993)，此处引入以作参考。

参看图16，MFA可以作为在远端固定主机或路由器上执行的一个进程或一组进程来实现，它们与本地主机资源通信并预连接，且代表MDSPF来管理可变重复第二类数据超高速缓存。MFA可以作为在本地固定主机或路由器上执行的一个进程或一组进程来实现，它们代表移动客户端用户与远端主机或路由器数据通信并预分配。

移动分布式系统平台(MDSP)和MFA用来处理不同位置的不同通信链路的不同的带宽和连接，且支持服务和资源的移动性。为了支持不同的应用，如移动文件系统，移动智能网络等，MDSP一般包括方位敏感信息管理功能(LSIM)和预测移动管理功能(PMM)。简单说来，LSIM功能涉及有关业务和资源的信息(包括硬件和软件资源、网络连接性、可用的通信协议的类型，等)，由所定义的地理区域中系统或网络提供。PMM功能涉及到移动终端位置的预测和虚拟分布浮动代理指定(FAA)功能，它依据位置预测将代理指定到不同的位置，并提供服务的预连接和业务/资源的移动性。

MDSP中的LSIM管理方位敏感信息，并将它映射到不同地理位置上的移动基础结构所提供的不同服务上。LSIM也将移动终端的位置的变化通知给应用和支持该应用的移动网络中的代理，并提供动态服务连接。例如，假设网络有一个分布式的文件系统和一些位于不同地理区域的服务器。如果移动终端将从邻近一台服务器的位置移动到邻近另一台服务器的位置，LSIM将同时通知第二台服务器和移动终端中的高速缓存管理器，如果需要获取文件，第二台服务器是最近的。

由于有了MDSPA和MFA的支持，服务逻辑和本地资源从所在的网络解脱出来，可以跟随移动用户到处移动。进一步，通过使用本发明的MMP提供的预测移动性管理，服务逻辑和资源可以预指定和预连接到用户要移动去的位置。

本发明的MMP也可以用来使连接切换和小区重选更加有效。典型的例子是当移动电话驻在某个小区，它保存了有关相邻的可驻在小区的信息优先权列表。移动站对这样的相邻小区通过扫描可能的控制信道而获得优先列表信息。本发明的MMP可以减少应扫描的控制信道的数目，且减少优先级列表中的信息量，方法是使移动站只扫描用户可能会进入的那些候选小区。

当然，在不偏离本发明精神的前提下，本发明可以有其它特定的实施方法，而不局限于上文所述。上文的实施方案只是为了说明，而不应作为限制。发明的范围由以下的权利要求而不是由前面的说明所决定，其中包括了所有在权利要求范围之内的变化和等效的方案。

Claims

1.一种预测移动终端运动方法，包括以下步骤：

(a)将当前和多个预存的序列中的每一个相比较，当前序列包含了移动终端的当前位置以及之前的多个位置，每个预存的序列包含移动终端的先前的各位置；

(b)对当前序列与每个预存序列之间相匹配程度确定至少一个定量的量度；

(c)如果至少一个定量量度超过了预定义的值，使用相应的存储序列中的位置作为移动终端运动的预测位置。

2.权利要求1的方法，其特征在于定量量度是当前序列中和存储序列中相同位置的数目与当前序列中位置总数的比率。

3.权利要求2的方法，其特征在于，步骤(b)进一步确定了当前序列持续时长与每个存储序列持续时长相匹配的程度；而步骤(c)将该比率超过第一预定义值且第一匹配程度超过第二预定值的已存储的序列中的位置作为移动终端运动的预测。

4.权利要求3的方法，其中步骤(b)进一步决定了当前序列频率与每个存储序列频率相配的程度；而步骤(c)将第二匹配程度超过第三预定值的已存储的序列的位置作为移动终端运动的预测。

5.一种用于确定移动终端运动中正常模式的方法，包括以下步骤：

(a)判断移动终端当前位置是否至少是静止状态和边界状态之一；

(b)标注一个位置序列，该序列包括当前位置、最近的先前静止状态之一和最近的边界状态，以及发生在最近的静止状态之一和最近的边界状态之间的先前位置；

(c)将被标注的序列与所多个存储的位置序列中的每一个相比较，并确定被标注序列与每个存储的序列之间相配程度的至少一个定量量度；以及

(d)如果至少一个定量量度超过了预定的值，将该存储序列的优先级参数增加一个预定数量。

6.权利要求5的方法，其特征在于进一步包括以下步骤：将当前位置存入多个先前位置的队列中，各位置以产生的先进先出的次序保存在队列中，如果当前位置至少是静止状态和边界状态之一，执行其中的(a)-(d)的步骤。

7.权利要求5的方法，其特征在于确定被标注的序列中和存储序列中相同位置的数目与被标注序列中位置总数的比率。

8.权利要求7的方法，其特征在于确定被标注序列的持续时长与每个存储序列持续时长的相配程度。

9.权利要求8的方法，其特征在于确定被标注序列的频率与每个存储序列频率的相配程度。

10.一种通信网络，包括：

多个服务器，这些服务器位于不同的地理区域，组成分布式的文件系统；

一个移动终端，具有用来与最接近移动终端的服务器通信的装置，其中该通信装置存取保存在服务器中的应用文件和数据文件；

一个移动分布式系统平台，具有用于控制服务器分布式文件系统的装置和用于预测移动终端下一位置的装置，其中控制装置根据预测装置预测的下一个位置来向各服务器分配对位置敏感的信息。

11.权利要求10的通信网络，其特征在于移动分布式系统平台包括了至少一个移动分布式系统平台代理和至少一个移动的浮动代理(MFA)，浮动代理与移动终端相关，而移动分布式系统平台代理与浮动代理通信，并代表移动终端根据预测装置预测的下一个位置将浮动代理预分配给至少一个服务器。

12.权利要求11的通信网络，其特征在于浮动代理是在移动终端远端服务器上执行的进程，该移动终端与移动站本地的服务器通信及预连接，并且代表移动分布式系统平台代理管理复制的数据高速缓存。