Cyber Journals: Multidisciplinary Journals in Science and Technology, Journal of Selected Areas in

Telecommunications (JSAT), September Edition, 2013 Volume 3, Issue 9

So sánh và đánh giá trình tự Phương

pháp khai thác mẫu để dự đoán bàn
giao trong Mobile IP

Tran Cong Hung, Nguyen Thi Thanh Minh, Member, IEEE

Tóm tắt — Khai thác dữ liệu được áp dụng trong nhiều lĩnh vực, bao
gồm cả khu vực viễn thông. Khu vực viễn thông lưu trữ một lượng lớn dữ liệu,
bao gồm thông tin về chuyển động của người dùng. Nhiều nghiên cứu trong
những năm gần đây đã cho thấy rằng chuyển động của người dùng trong quá
khứ bị ẩn kiến thức về hành vi chuyển động của chúng. Các khai thác đồng thời
không gian và thời gian sẽ cung cấp hiệu suất tốt hơn việc khai thác chỉ một
trong số chúng. Bài báo này sẽ phân tích và đánh giá hiệu suất khai thác mẫu
tuần tự trong hai trường hợp: chỉ dựa trên không gian và dựa trên không gian-
thời gian.

Điều khoản chỉ mục — khai thác dữ liệu, dự đoán tính di động, kỹ thuật
khai thác mô hình tuần tự.

I. GIỚI THIỆU

IP di động là một tiêu chuẩn của IETF, cho phép người dùng duy trì kết
nối và các ứng dụng trong khi di chuyển giữa các mạng lưới. Điều này được
thực hiện bằng cách xác định địa chỉ nhà của mỗi thiết bị. Khi một thiết bị di
động di chuyển ra ngoài nhà mạng, nó sẽ gửi thông tin về vị trí hiện tại đến đại
diện thường trú (Home Agent) [1]. Đại diện thường trú sẽ nhận được gói tin
được gửi đến thiết bị di động, thay đổi một số thông tin và chuyển tiếp các gói
này đến vị trí hiện tại của thiết bị di động.

Khi người dùng chuyển từ điểm truy cập cũ sang điểm truy cập mới
điểm, nó sẽ không nhận được bất kỳ gói tin nào trong quá trình này. Nếu việc
trì hoãn kéo dài; có khả năng cao là sẽ mất gói tin và chất lượng dịch vụ sẽ
giảm. Sau khi giao thức Mobile IP được giới thiệu, các giao thức khác như
Mobile IPv6, Hierarchical IPv6, Fast Mobile IPv6 đã được đề xuất [2] [3] [4]
[5]; theo thứ tự để nâng cao hiệu suất trong quá trình bàn giao. Tuy nhiên,
những các giao thức như MIPv6, HMIPv6 và FMIPv6 chỉ cải thiện về cấu trúc,
cũng như quy trình và nguyên tắc hoạt động, thay vì khai thác thông tin có sẵn
trong hệ thống mạng .

Nếu hệ thống mạng có thông tin về các chuyển động của người dùng, nó
có thể đăng ký tài nguyên, giảm độ trễ khi chuyển giao quy trình; đảm bảo chất
lượng dịch vụ cho người dùng. Do đó, nhiều nghiên cứu đã đề xuất nhiều giải
pháp để dự đoán chuyển động của người dùng trong mạng Mobile IP; để cung
cấp thông tin về chuyển động của người dùng trong tương lai. Giữa những kỹ
thuật được đề xuất thì khai thác mô hình tuần tự là được nhiều nhóm quan tâm.

1
Tuy nhiên, không có nghiên cứu so sánh và đánh giá hiệu suất của các kỹ thuật
này. Vì vậy, mục tiêu của bài báo là phân tích và đánh giá hiệu suất của khai
thác các mẫu tuần tự trong hai trường hợp: chỉ dựa trên không gian và dựa trên
không gian-thời gian.

Bài báo này được chia thành 5 phần: Phần-1 giới thiệu về giao thức
Mobile IP và nhu cầu dự đoán trong mạng Mobile IP, Phần-2 trình bày các
công việc liên quan, Phần 3 giới thiệu khai thác mẫu tuần tự trong hai trường
hợp: chỉ dựa trên không gian và dựa trên không gian-thời gian. Phần 4 là kết
quả thực nghiệm và đánh giá. Phần-5 là kết luận của chúng tôi và các công việc
trong tương lai.

II. CÁC CÔNG VIỆC LIÊN QUAN

Trong những năm gần đây, nhiều nhóm nghiên cứu đã cung cấp các cơ
chế dự đoán chuyển động của người dùng dựa trên chuyển động của họ trong
quá khứ. Một trong số chúng dựa trên mạng nơ-ron [6] [7] [8]. Velmurugan và
Thangaraj (2013) đã đề xuất một mô hình dự đoán di động dựa trên mạng nơ-
ron. Nghiên cứu này đề xuất một phương pháp hai bước để dự đoán tính di
động. Bước đầu tiên đề xuất một mô hình toán học để trích xuất các quy tắc di
động từ nhật ký hệ thống. Bước thứ hai liên quan đến việc phân cụm các quy
tắc được trích xuất do đó trở thành tên lớp cho một mô hình phân loại.

Ngoài ra, còn có nhiều kỹ thuật khác như phân tích thống kê [9], dùng
cây quyết định [10] [11], mô hình Markov [12] [13]. Nhược điểm của các
phương pháp này là chúng đòi hỏi một giai đoạn dài để đào tạo về hành vi của
người dùng di động trước khi dự đoán thành công. Hơn nữa, người dùng di
động có thể thay đổi hành vi của mình trong giai đoạn đào tạo hoặc có thể đi
đến vị trí mà người dùng chưa từng ghé thăm trước đây, do đó làm cho dự đoán
không hiệu quả.

Bên cạnh đó, phần lớn cơ chế dự đoán được đề xuất dựa trên kỹ thuật
khai thác mẫu tuần tự [14] [15] [16] [17] [18] [19] [20] [21]. Kỹ thuật khai thác
mẫu tuần tự được đề xuất dựa trên việc khai thác các mẫu di động của người
dùng, hình thành các quy tắc di chuyển từ các mẫu này và cuối cùng là dự đoán
các chuyển động tiếp theo của người dùng di động bằng cách sử dụng các quy
tắc di động. Trong đó, có nhiều công trình chỉ dựa trên một trong hai thuộc tính
là không gian [14] hoặc thời gian [21]. Tuy nhiên, trên thực tế, lịch sử di
chuyển của người dùng luôn thay đổi theo thời gian. Do đó, sự kết hợp của hai
thuộc tính sẽ dự đoán chính xác hơn những kỹ thuật chỉ dựa trên một trong số
chúng [15] [16] [20].

III. KỸ THUẬT KHAI THÁC MẪU TUẦN TỰ

IV.
Kỹ thuật này sẽ trích xuất một tập hợp các mẫu nhất định từ cơ sở dữ
liệu. Sau đó, những mẫu nhất định này được sử dụng để tạo ra các quy tắc kết

2
 Cyber Journals: Multidisciplinary Journals in Science and Technology, Journal of Selected Areas in
Telecommunications (JSAT), September Edition, 2013 Volume 3, Issue 9

hợp. Trong quá trình trích xuất và tạo ra các quy tắc liên quan sẽ được xác định
bởi hai tham số: ngưỡng tin cậy tối thiểu (confmin) và ngưỡng hỗ trợ tối thiểu
(suppmin) [14] [15] [16] [19] [20].

Thuật toán bao gồm ba giai đoạn:

- Khai thác mẫu di động của người dùng
- Tạo ra các quy tắc di động
- Dự đoán di động
A. Dựa trên không gian:
Bước 1: Khai thác các kiểu di chuyển của người dùng.
Trong phương pháp này, chúng ta sử dụng một đồ thị có hướng G, trong
đó các ô trong vùng phủ được coi là các đỉnh của G. Các cạnh của G được hình
thành như sau: Nếu hai ô, chẳng hạn A và B, là các ô lân cận trong vùng phủ
sóng, khi đó G có một cạnh có trọng số và có hướng từ A đến B và cũng từ B
đến A. Chúng tôi giả định rằng tập hợp các mẫu ứng viên, mỗi mẫu bao gồm k
ô được tìm thấy trong bước chạy (k-1) của vòng lặp while và tập hợp này
không trống, được ký hiệu là Ck. Đầu tiên, tất cả các chuỗi con độ dài-k của tất
cả các UAP được tạo ra và các chuỗi con này được sử dụng để đếm các hỗ trợ
của các mẫu ứng viên độ dài-k.

3
 }
Return L.
Hỗ trợ được xác định bằng cách sử dụng công thức sau:

Chúng ta có thể xác định giá trị totDist bằng khái niệm liên kết chuỗi.
Sau khi đếm các hỗ trợ của tất cả các mẫu ứng viên, các mẫu ứng viên có hỗ
trợ nhỏ hơn giá trị ngưỡng (supp min) sẽ bị loại. Các mẫu ứng viên còn lại được
gọi là length-k mẫu lớn (Lk). Sau đó, Lk được thêm vào tập hợp trong đó tất cả
các mẫu lớn được duy trì.
Bước tiếp theo trong thuật toán khai thác là tạo ra các mẫu ứng viên có
length-(k+1), Ck+1. Đối với bước này, hàm CandidateGeneration (), được sử
dụng.

Bước 2: Tạo ra các quy tắc di động

Giả sử rằng chúng ta có UMP C = <c1, c2,…, ck>, where k> 1.
Tất cả các quy tắc di động khả thi có thể bắt nguồn từ một mô hình như sau:
<c1> → <c2,…,ck>
<c1, c2> → <c3,…,ck>

4
…
<c1, c2,…,ck-1> → <ck>
Đối với mỗi quy tắc di động, giá trị tin cậy được tính toán cho mỗi quy
tắc bằng cách sử dụng công thức sau:

Sau đó, các quy tắc có độ tin cậy cao hơn ngưỡng tin cậy được xác định
trước (confmin) được chọn. Các quy tắc này được sử dụng trong bước tiếp theo,
đó là dự đoán tính di động.

Bước 3: Dự đoán tính di động

Giả sử rằng người dùng di động đã theo đường dẫn P = <c 1, c2,…, ci-1>
cho đến nay. Thuật toán của chúng tôi tìm ra các quy tắc có phần đầu được
chứa trong đường dẫn P và ô cuối cùng trong đầu của chúng là c i-1. Chúng tôi
gọi những quy tắc này là quy tắc phù hợp. Chúng tôi lưu trữ ô đầu tiên của
phần đuôi của mỗi quy tắc so khớp cùng với một giá trị được tính bằng cách
tính tổng độ tin cậy và các giá trị hỗ trợ của quy tắc trong một mảng bộ giá trị.
Sự hỗ trợ của một quy tắc là sự hỗ trợ của UMP mà từ đó quy tắc hiện tại được
tạo ra. Các bộ của mảng này sau đó được sắp xếp theo thứ tự giảm dần theo giá
trị hỗ trợ cộng với độ tin cậy của chúng. Trong khi sắp xếp các quy tắc phù
hợp, cần xem xét cả giá trị hỗ trợ và độ tin cậy của quy tắc để chọn các quy tắc
tin cậy và thường xuyên nhất.

5
 Mobility prediction () [14]
Input: Current trajectory of the user,
P = <(c1, t1), (c2, t2),…, (ci-1, ti-1)>
Set of mobility rules, R
Maximum predictions made each time, m
Output:Set of predicted cells, Pcells

B. Dựa trên Không gian-thời gian:

Yếu tố vị trí cho biết quá trình di chuyển của người dùng di động thường
di chuyển tuần tự mỗi ngày. Bên cạnh đó, yếu tố thời gian xác định tầm quan
trọng của thời gian người dùng di động di chuyển đến địa điểm. Do đó, trong
phần này, hai đặc điểm được sử dụng để xác định các hành vi di chuyển là vị trí
và thời gian.
Chúng tôi đặt khoảng thời gian 135 phút một lần. Theo nghiên cứu của
chúng tôi, các dấu thời gian được minh họa trong Bảng 1.

6
Bước 1: Khai thác mô hình di chuyển của người dùng
Đầu tiên, tất cả các mẫu 1 di động thường xuyên được trích xuất từ cơ
sở dữ liệu D. Để khám phá các mẫu 1 di động thường xuyên, đối với mỗi ô ID
ci cho 1 ≤ i≤ N, chúng tôi quét cơ sở dữ liệu giao dịch D để tìm tất cả các điểm
(ci, tj) cho 1 ≤ j≤ T. Mỗi điểm (ci, tj) là một mẫu 1. Sau đó, các giá trị được hỗ
trợ của chúng được tính toán. Tất cả các mẫu 1 có giá trị được hỗ trợ cao hơn
ngưỡng hỗ trợ tối thiểu được xác định trước (supp min) đều được chọn và được
gọi là mẫu 1 di động thường xuyên.
Đối với k≥ 2, k-mẫu của ứng cử viên được phát hiện như sau. Cho một
(k-1) -pattern F = <(c1, t1), (c2, t2),…, (ck-1, tk-1)>. Gọi V (ck-1) là tập hợp các ô là
lân cận của ck-1 trong G:

V (ck-1) = {v | v là lân cận của ck-1}

Với mỗi v ∈ V (c k-1), tạo ra tất cả các điểm (v, t k) thỏa mãn 1≤ tk≤ T, và
khi đó <(v, tk)> là một mẫu thường xuyên và tk ≥ tk-1. Đặt P (ck-1) = {p = (v, tk) |
<(v, tk)> ∈ L1 và tk≥ tk-1} Với mỗi p ∈ P (ck-1), một mẫu k ứng viên C được tạo
ra bằng cách gắn p = (v, tk) vào cuối F:

C = <(c1, t1), (c2, t2),…, (ck-1, tk-1), (v, tk)>

Sau đó thêm C vào tập k-mẫu của ứng viên: C k = Ck ∪ C. Quy trình này
được lặp lại cho tất cả các mẫu thường xuyên (k-1) trong L k-1. Sau đó, tất cả k-
mẫu ứng cử viên có giá trị hỗ trợ cao hơn suppmin được chọn:

Lk= {C| C ∈ Ck and support(C) ≥ suppmin}

Mining user mobility patterns () [15][16]

7
 Input: A transactional database, D
Minimum support threshold, suppmin
Coverage region directed graph, G
Output: A set of frequent mobility patterns, L

// Let Ck is a set of candidates k-patterns

// Let Lk is a set of frequent mobility k-patterns
L1 ←a set of frequent mobility 1-patterns
k=1
repeat
Ck+1 ←CandidateGeneration(Lk)
For all mobility pattern F ∈ Ddo
C ←{c|c ∈ Ck+1 and c ⊂ F}
for all c ∈ C do
c.count= c.count+ 1;
end for
end for
Lk+1 ←{c|c ∈ Ck+1 and c.count ≥ suppmin}
L = L ∪Lk+1
k = k+1
until Lk= Ø
return L.

Bước tiếp theo trong thuật toán khai thác là tạo ra các mẫu ứng viên có độ dài
(k + 1), Ck+1. Đối với bước này, sử dụng hàm CandidateGeneration ().

CandidateGeneration () [15][16]
Input: A set of frequent mobility k-patterns, Lk
Coverage region directed graph, G
Output: A set of candidates (k+1)-patterns, Ck+1

For all frequent mobility k-pattern

Pk=<(c1, t1), (c2, t=2), …, (ck, tk)> ∈ Lk do
V(ck) ←{v|v is a neighbor of ck}
for all vertex v ∈V(ck)do
P(ck) ←{p=(v, tk+1)| <(v, tk+1)> ∈L1 and tk+1 ≥ tk}
for all p=(v, tk+1) ∈P(ck) do
C=<(c1, t1), (c2, t2), …, (ck, tk), (v, tk+1)>
Ck+1= Ck+1 ∪ C
end for
end for
end for
return Ck+1.

Bước 2: Tạo ra các quy tắc di động.

8
 Giả sử rằng chúng ta có UMP C = <c 1, c2,…, ck>, trong đó k> 1. Tất cả
các quy tắc di động khả thi có thể bắt nguồn từ một mẫu như vậy là:
<c1> <c2, …, ck>
<c1, c2> <c3, …, ck>
…
<c1, c2, …, ck-1> <ck>
Đối với mỗi quy tắc di động, giá trị tin cậy được tính toán cho mỗi quy tắc
bằng cách sử dụng công thức sau:

Sau đó, các quy tắc có độ tin cậy cao hơn ngưỡng tin cậy được xác định
trước (confmin) được chọn. Các quy tắc này được sử dụng trong bước tiếp theo,
đó là dự đoán tính di động.
Khác với cơ chế dự đoán chỉ dựa trên không gian, mỗi quy tắc tạo ra r i
được gán một giá trị có trọng số wi dựa trên thuộc tính thời gian. Giá trị trọng
số của mỗi quy tắc được tính theo quy trình sau. MinDate và MaxDate biểu thị
ngày đầu tiên và ngày cuối cùng trong tệp nhật ký lịch sử di động của nút,
tương ứng. Ngày của quy tắc, được xác định thông qua thời gian của điểm cuối
cùng của đuôi quy tắc, được gọi là RuleDate. Giá trị có trọng số được tính theo
công thức sau:

Mobility rules generation () [15][16]

Input: A set of frequent mobility patterns, L

9
 Minimum confidence threshold, confmin
Output: A set of frequent mobility rules, Rules

Bước 3: Dự đoán tính di động

Mobility prediction ()
Input: Current trajectory of the user,
P = <(c1, t1), (c2, t2),…, (ci-1, ti-1)>
Set of mobility rules, R
Maximum predictions made each time, m
Output: Set of predicted cells, Pcells

PCells = Ø// initially the set of predicted cells is empty

k=1
for all rule r:
<(a1,t’1), (a2,t’2) ..., (aj,t’j)>→<(aj+1,t’j+1), ..., (at,t’t)>
∈ R do
// check all the rules in R find the set of matching rules
If <(a1,t’1), (a2,t’2) ..., (aj,t’j)> is contained by
P = <(c1, t1), (c2, t2),…,(ci-1, ti-1)> and aj = ci-1
r.score= r.confidence+r.support+r.weight

10
 //Add the rule into the set of matching rules
MatchingRules ←MatchingRules ∪ r
//Add the (aj+1,r.score) tuple to the Tuples array
TupleArray[k] = (aj+1,r.score)
k = k+1
end if
end for
// Now sort the Tuples array in descending order
TupleArray ←sort(TupleArray)
index = 0
// Select the first m elements of the Tuples array
repeat
PCells←PCells ∪ TupleArray[index]
index = index+1;
until (index >= m || index >= TupleArray.length)
return Pcells.

IV. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ

Trong phần này, đối với các thử nghiệm, chúng tôi xây dựng hai tập dữ
liệu, bao gồm:
- Tập huấn luyện (800 quỹ đạo): được sử dụng để khám phá tất cả các
con đường được sử dụng để tạo ra các quy tắc di chuyển.
- Bộ kiểm tra (100 quỹ đạo): được sử dụng để đánh giá độ chính xác của
dự đoán dựa trên các quy tắc di chuyển đã được trích xuất ở bước trước.
Có ba kết quả có thể xảy ra đối với dự đoán vị trí, khi so sánh với vị trí thực tế:
- Người dự đoán xác định đúng vị trí của nước đi tiếp theo.
- Người dự đoán xác định không chính xác vị trí của nước đi tiếp theo.
- Người dự đoán trả về "không có dự đoán". Chúng tôi sử dụng hai
thước đo hiệu suất để đánh giá thuật toán được đề xuất:

Bên cạnh đó, trong thí nghiệm này, chúng tôi kiểm tra ảnh hưởng của
các giá trị suppmin và confmin đến độ thu hồi và độ chính xác.
Trong mô hình này, giả định rằng người dùng di động di chuyển xung
quanh các trạm này như hình 1.

11
A. Dựa trên không gian:
*Tác động của giá trị hỗ trợ tối thiểu:
Trong thử nghiệm này, confmin được cố định ở 70% và suppmin được tăng
từ 0,1 lên 1.

12
*Tác động của giá trị tin cậy tối thiểu:
Trong thử nghiệm này, suppmin được cố định ở 0,1 và confmin được tăng
từ 50% đến 100%.

13
B. Dựa trên không gian-thời gian:
*Tác động của giá trị hỗ trợ tối thiểu:
Trong thử nghiệm này, confmin được cố định ở 70% và suppmin được tăng
từ 1 lên 10.

14
15
 V. PHẦN KẾT LUẬN

Bài báo này so sánh kỹ thuật khai phá mẫu tuần tự trong hai trường hợp:
chỉ dựa trên không gian và dựa trên không gian. Chúng tôi xây dựng hai tập dữ
liệu, bao gồm: tập huấn luyện và tập thử nghiệm. Sau đó, chúng tôi thực hiện
các thí nghiệm và so sánh kết quả của hai phương pháp tiếp cận trên cùng một
mô hình. Khi sử dụng mô hình dự đoán dựa trên không gian-thời gian, chúng
tôi thấy rằng số lượng dự đoán đúng cao hơn và nó làm giảm số lượng các
trường hợp không được dự đoán. Điều này cho thấy dựa trên mô hình không
gian có độ chính xác cao hơn dựa trên mô hình không gian. Do đó, thuộc tính
thời gian trong lịch sử di chuyển của người dùng đóng một vai trò quan trọng
trong việc dự đoán vị trí kết nối trong tương lai của người dùng di động.
Trong tương lai, công việc của chúng tôi là khai thác sự kết hợp giữa
không gian và thời gian trong các cơ chế dự báo khác, để cải thiện hiệu suất
cho quá trình bàn giao.

16
 TÀI LIỆU THAM KHẢO
[1] Perkins, C., (2002), IP Mobility Support for IPv4, RFC 3344.
[2] Perkins, C., D. Johnson, J. Arkko, (2004), Mobility Support in IPv6, RFC
3775.
[3] Tran Cong Hung, Nguyen Thi Thuy An, (July 2012, Canada), “Research
Handover on Mobile IP”, Cyber Journals: Multidisciplinary Journals in Science
and Technology, ISSN 1925-2676, pp. 42-49.
[4] Soliman, H., C. Castelluccia, K. ElMalki, L. Bellier, (2008), Hierarchical
Mobile IPv6 (HMIPv6) Mobility Management, RFC 4140.
[5] Tran Cong Hung, Duong Thi Thuy Van, (Feb 2011, Korea), “Mobile IPv6
Fast Handover Techniques”, IEEE_The International Conference on Advanced
Communication Technology, ICACT 2011.
[6] Velmurugan, Land and Thangaraj, P, (2013), “Mobility Prediction using
Hidden Genetic Layer Based Neural Network”, Life Science Journal 2013.
[7] Heni KAANICHE and Farouk KAMOUN, (April 2010), “Mobility
Prediction in Wireless Ad Hoc Networks using Neural Networks”, Jourmal of
Telecomunications, Volume 2, Issue 1.
[8] Ammar Yassir, Gamal Abdel Nasir and Dr.Priyanka Roy, (2013), “Mobile
Ad-hoc Networks Location Prediction by using Artificial Neural:
Considerations and Future Directions”, IJCTA.
[9] Marin Vukovic, Goran Vujnovic, Darko Grubisic, “Adaptive User
Movement Prediction for Advanced Location-aware Services”.
[10] Vincent S. Tseng, Kawuu W. Lin, (2006), “Efficient mining and
prediction of user behavior patterns in mobile web systems” Information and
Software Technology 48, pp. 357–369.
[11] Vincent S. Tseng, Eric Hsueh-Chan Lu, Cheng-Hsien Huang, “Mining
Temporal Mobile Sequential Patterns in Location-Based Service
Environments”.
[12] Christine Cheng, Ravi Jain, Eric van den Berg, (2002), “Location
Prediction Algorithms for Mobile Wireless Systems”.
[13] R.V. Mathivaruni and V.Vaidehi, (2008), “An Activity Based Mobility
Prediction Strategy Using Markov Modeling for Wireless Networks”, World
Congress on Engineering and Computer Science 2008.
[14] Yavas, Gokhan., Dimitrios Katsaros ,Ozgur Ulusoy, Yannis
Manolopoulos, (2005), A data mining approach for location prediction in
mobile environments, Data & Knowledge Engineering , pp. 121–146.
[15] Thuy Van T.Duong and Dinh Que Tran, (2012), “An Effective Approach
for Mobility Prediction in Wireless Network based on Temporal Weighted
Mobility Rule”, International Journal of Computer Science and
Telecommunication.
[16] Thuy Van T.Duong, Dinh Que Tran, Cong Hung Tran, (August 2011),
“Spatiotamporal Data mining for Mobility prediction in Wireless Network”,
Proceeding of the Fifth National Conference-Fundamental and Applied
Information Technology Research (FAIR)-NAFOSTED, pp. 227-238.

17
[17] Rachida Aoudjit, Malika Belkadi, Mehammed Daoui, Lynda Chamek,
Sofiane Hemrioui and Mustapha Lalam, (2013), “Mobility Prediction Based on
Data mining”, International Journal of Database Theory and Application.
[18] Walisa Romsaiyud, Wichian Pre mchaiswadi, Nucharee Pre mchaiswadi,
(2012), “An Autonomous Group Mobility Prediction Model for Simulation of
Mobile Ad-hoc through Wireless Network”, Journal of Wireless Networking
and Communications 2012, pp. 126-135.
[19] Thi Hong Nhan Vu, Jun Wook Lee, and Keun Ho Ryu, (2008),
“Spatiotemporal Pattern Mining Technique for Location-Based Service
System”, ETRI Journal, Volume 30, Number 3.
[20] Cong Hung Tran, Thuy Van T. Duong and Dinh Que Tran, (April 2012),
“Future Location Prediction in Wireless Network Based on Spatiotemporal
Data Mining”, Journal of Communication and Computer 9, ISSN 1548-7709
(Print), ISSN 1930-1553 (Online), Volume 9, Number 4, pp. 437-480.
[21] Yong-Hyuk Kim and Yourim Yoon, (2013), “Context Prediction of
Mobile Users Based on Time-Inferred Pattern Networks: A Probabilistic
Approach”.

18
19