在机会主义网络中通过人类流动性提高传感器和通信设备的能源效率 互动预测预测
Ambreen Memon1, Sardar M N Islam2, Muhammad Nadeem Ali3
1Information Technology Department, Torrens University, Melbourne, VIC 3000, Australia.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究引入了一个随机森林回归器 (RFR),用于预测机遇网络中的移动用户位置. RFR提高了数据路由效率,并降低了设备对设备通信中的能源消耗.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 移动计算 移动计算
背景情况:
- 智能设备需要机会网络来实现高效,耐延迟的数据传输.
- 当前的机会网络在准确预测移动设备位置以实现最佳路由方面面临着挑战.
- 现有的路由算法难以准确地预测位置,影响能源和带宽效率.
研究的目的:
- 为了提高能源效率和数据路由在机会网络.
- 为移动用户开发一个强大的位置预测机制.
- 提高消息传输概率和资源利用率.
主要方法:
- 整合一个随机森林回归器 (RFR) 来预测未来的位置.
- 利用具有计算和通信能力的不同用户的移动性痕迹.
- 将RFR性能与使用现实世界移动数据的高斯过程等基准方案进行比较.
主要成果:
- 在预测流动性遭遇方面,RFR显著超过了高斯过程和现有方法.
- 整合基于RFR的移动性预测可以将能源消耗降低三分之一.
- 证明了更好的消息路由性能和减少资源利用.
结论:
- 拟议的RFR模型克服了现有的移动性预测模型的局限性.
- 开发了新的资源优化和节能机会网络.
- 突出了对设备对设备和互联网网络准确的移动性预测的实际好处.


