基于移动通信数据的用户移动轨迹预测方法.doc

《基于移动通信数据的用户移动轨迹预测方法.doc》由会员分享，可在线阅读，更多相关《基于移动通信数据的用户移动轨迹预测方法.doc（5页珍藏版）》请在三一办公上搜索。

1、第 30 卷第 2 期2013 年 2 月Vol. 30 No 2Feb 2013计算机应用与软件Computer Applications and Software基于移动通信数据的用户移动轨迹预测方法震1付俊辉1楠2刘赵1 ( 河南科技学院网络信息中心 河南 新乡 453003)2 ( 北京大学信息科学与技术学院 北京 100871)随着无线移动通信设备的发展，获取用户位置的手段更加多样，如何对轨迹进行建模并预测人类行为成为研究热点。现摘 要有方法主要针对 GPS 轨迹等连续轨迹进行建模预测，而对移动通信场景中人行为轨迹预测方法尚未研究。针对移动话单数据这种离散程度极大的轨迹数据建模，提出

2、 Match 算法对人类轨迹进行预测。实验证明，85% 的人类轨迹可以利用该算法正确预测。在此 基础上，提出轨迹合并的方法，进一步提高了预测的准确率，并发现人类在以天为单位的尺度上，有 30% 的行为是自相似的。关键词移动数据 轨迹预测 行为分析中图分类号 TP311文献标识码 ADOI: 10 3969 / j issn 1000-386x 2013 02 003USERS MOBILE TRACK PREDICTION METHOD BASED ON MOBILECOMMUNICATION DATALiu Zhen1Fu Junhui1Zhao Nan21 ( Network Inform

3、ation Center，Henan Institute of Science and Technology，Xinxiang 453003，Henan，China)2 ( School of Electronic Engineering and Computer Science，Peking University，Beijing 100871，China)With the development of wireless mobile communication devices，there are diverse means to obtain userslocation，and theAbs

4、tractways to model the track as well as to predict the human behaviours become the focus of the research Existing means are mainly aiming at con-tinuous trajectory like GPS track to model and predict，but for predicting human behaviour tracks in the scene of mobile communication，it istill the blank y

5、et In this paper，aiming at modelling the mobile calling list data，which is a kind of track data with very large discrete degree，we propose Match algorithm to predict human tracks Experiment proves that 85% human tracks can be correctly predicted with thisalgorithm On this basis，we then propose a met

6、hod of tracks merging，which further improves the accuracy of prediction Moreover，it is found that 30% of the human behaviours are self-similar taking the day as the scale of human beingsKeywordsMobile data Trajectory predicting Behaviour analysis效的预测模型。所以，移动通信场景下的移动轨迹预测成为一个尚未解决的难题。本文提出了一个新的对离散轨迹进行建模

7、预测的方法。首 先，将话单数据所反映的离散轨迹转换为连续轨迹得到用户行 为模式，基于该行为模式提出了轨迹预测算法 Match，实验证 明，使用该算法有 85% 的人类行为可以预测。通过对历史相似 轨迹进行合并，更加准确地刻画了用户的真实轨迹，进一步提高 了预测准确率。并得出结论: 在以天为单位的尺度上，人类的行 为有 30% 是自相似的。0引言随着移动电话的普及以及 3G 网络的部署，移动网络中基于位置 信 息 的 服 务 ( LBS ) 越 来 越 成 为 热 点。 如 日 本 的 NTT DoCoMo 推出个人用户定位和导航服务，美国的 Verizon 主推 Family Locator

8、服务以及欧洲的 Vodafone 等推出了团队位置跟 踪服务等; 还如 MIT 的 Mobile Landscapes 项目使用移动通话数 据得到静态城市人群时空分布，Real Time Rome 项目的实时监 测人群密度动态分布等。基于移动位置信息的研究和应用正成 为全球学术界和产业界共同关注的焦点问题。当前，与移动位置相关的行为研究的热点问题之一是对移 动用户未来的位置信息进行实时、准确的预测1 6。然而，当前 对用户未来位置的预测研究主要集中在对连续轨迹( 典型代表 是 GPS 轨迹) 建模的基础上，如文献1 3。然而，此类研究难 以预测移动通信场景下的用户轨迹。因为在该场景下，用户轨

9、迹十分离散，一天平均只能获得十几个用户轨迹点，现有模型难相关工作1由于使用的定位手段不同，对人类轨迹的建模方式以及预测方法也有不同。GPS 定位精度最高，通过内置的客户端，可以 获得用户的连续轨迹，基于此种数据的研究也最多。从预测方收稿日期: 2012 05 17。国家自然科学基金项目( 60703066 ) 。刘震，实验师，主研领域: 网络通信与管理。付俊辉，讲师。赵楠，硕士生。以根据如此离散的轨迹反演得到用户的历史行为，并建立起有式上，主要有两种方式: 基于 Dynamic Bayesian Network 等网络学习模型对轨迹建模并预测，如文献1 3等; 另外，基于历史 轨迹频繁项的轨迹

10、预测研究也比较多，其中以文献4为代表。 作者假设，由于城市中公共交通发达，多数人的出行方式应该相 同。将多数人运动的轨迹重合部分，作为对轨迹预测的依据。 但是，个人 GPS 轨迹数据难以得到，一般由志愿者提供，样本数 量很少，难以大规模开展实验以验证算法可靠性以及研究人类 的行为规律。利用 WiFi 可将用户定位到 WiFi 基站，基站覆盖范围较小， 使得定位精度较高。由于 WiFi 网络并不普及，研究大多局限在 一个校园或一个社区之内5，6，代表性并不强，这里不再赘述。利用移动基站定位用户精度最低，城市中基站的覆盖范围 为 0 5km 5km 不等，其定位精度也在这个范围。然而，由于手 机的

11、普及特性，因此研究基于该数据特性的轨迹预测将为大量 基于位置信息的应用提供支持。实际中得到的用户话单数据， 记录了一个用户在一段时间的通话行为，用户位置通过话单数 据中通讯时所联络的基站反映出来。但用户通话行为极其离 散，形成了离散的轨迹，如何对其建模成为难题。另外，由于涉 及用户隐私，此种研究往往难以开展。所以在这个领域，开展的 研究还较少。文献8通过在手机安装客户端，记录下用户附 近的基站信息，得到连续的轨迹。利用 DBN，对用户的轨迹进 行预测。该研究使用了志愿者提供的信息，实际上是低精度类 似 GPS 定位数据的连续轨迹预测，有着与 GPS 定位进行轨迹预 测相同的缺陷。Barabas

12、i 等在 Nature9 上报到了他们开创性的研究工作。 通过与移动公司合作，作者得到了三个月 10，000，000 用户的话 单数据。通过系统的分析论证，得到了任何对于人类行为进行 预测的准确率不会超过 93% 的结论，但准确率也不会低于 70%( 在后文中称该算法为 Most Frequent 算法) 。但是，作者并未在 文中提出其他具体的轨迹预测方法，仅仅对在移动通信环境下 人类行为的可预测性做出上下界的定义。本文是在该文的基础 上开展工作的。错误。定义 4 轨迹预测策略 已知序列 t1 ，r1 ， t2 ，r2 ， tn rn ( t1 t2 tn ) 以及待预测时刻 t，满k( t

13、tk ) ，ti SetTi ，那么预测序列 t1 ，r1 ，t tit2 ，r2 ， ti 1 ri 1 在 ti 的位置，若使用某种预测算法到的 r = ri ，则称预测正确; 若 r ri ，则称预测错误。轨迹预测方法3手机在进行通讯时，有一定概率发生基站转换，使得话单录的基站位置并不能很好地反映用户的真实位置。首先对话 数据进行修正，去除通话中发生的基站转换。然后在区域划 的基础上得到用户行为模式，将用户离散的轨迹转换为连续行为模式。基于该模式，使用 Match 算法对用户轨迹进行预测在 3 5 节还提出了轨迹合并算法，轨迹合并集较之行为模式加准确地反映了用户历史真实轨迹，利用轨迹合并

14、集，进一步 高轨迹预测的准确率。基站转换手机在进行通信时，由于信号、基站容量等客观问题，并 总是选择距离最近的基站，使得话单记录的基站位置并不能3 1确地反映用户的位置，因而有必要去除通话时发生的基站转换用户两次通话为 ti ，Toweri ( xi ，yi ) ， tj ，Towerj ( xj ，yj )( Towerj Towerj ，ti tj ) ，在这两个基站间最小的移动速度为:槡( xi xj ) + ( yi yj )22vi，j=tj ti设人类移动速度的上限是 vth = 120km / h，任何基站间最移动速度高过该上限的都视作发生了基站转换，找出话单数 中发生基站转换的

15、记录进行修正。3 2区域划分用户的一个活动区域往往包括几个基站，将该活动区域的基站合并就可以得到用户的一个区域。由于基站的特殊性，我们并没有选择常规的聚类方法。两个活动基站的信号范围发生重叠时( 这里使用基站距离小1 5km 作为标准) ，这两个基站属于同一个区域( 算法 1) 。2问题定义假设 SetTi，j 表示移动用户 i 在第 j 天所有开始通话时刻的集合。SetToweri 是用户 i 历史通话中出现的全体基站。用户 i 的 一次通话记作 tp ，Towerp ( xp ，yp ) ，其中 tp 是通话开始时刻，tp SetTi，j ，( xp ，yp ) 是通话时通信基站经纬度，T

16、owerp SetToweri 。用户 i 在第 j 天的通话行为记为话单数据集 Calli，j ，表示为:Calli，j = t1 ，Tower1 ， t2 ，Tower2 ， tn ，Towern 。Calli，j 是一个有序集，t1 t2 tn 。算法 1Input: ToweriOutput: rRegion Division1)2)3)4)5)6)for each i，jif distance( Toweri ，Towerj ) 1 5kmToweri rkrk = rk Towerjend end定义 1 轨迹 设 r 是集合 Ti 的一个划分，rk = Towerk1 ，Towe

17、rk2 ， ，那么 Calli，j 可重写为 Trajectoryi，j = t1 ，r1 ， t2 ，r2 ， tn ，rm ，称作用户 i 在第 j 天的轨迹。3 3用户行为模式由话单数据得到的用户历史轨迹十分离散，难以通过其定义 2 行为模式定义点对 tk ，tk + 1 ，rk 表示用户 i在时间段tk ，tk + 1处于 ri 区域，有序集 Patterni，j = t1 ，t2 ，r1 ， t3 ，t4 ，r2 ， t2n 1 ，t2n ，rn 称作用户 i 在第 j 天的 行为模式。轨迹进行预测。本文假设，如果用户连续的两个通话区域相同那么用户在这个时间段内并未移动。根据此假设，

18、离散的用轨迹可以转换成连续的行为模式。给定轨迹 Trajectoryi，j ，用户 i 在第 j 天的行为模式按照算2 得到。算法 2 Pattern ExtractionInput: Trajectoryi，j定义 3轨迹预测 已知序列 t1 ，r1 ， t2 ，r2 ，tn 1 ，rn 1 ( t1 t2 tn 1 ) ，待预测时刻 tn ( tn 1 tn ) 以及用户在 tn 时刻的真实位置 rn 。使用某种预测算法得到用户在 tn所处区域为 r，若 r= rn ，则称预测正确; 若 r rn ，则称预测122013 年计算机应用与软件Output: Patterni，j映他的真实轨迹

19、。选取用户历史轨迹中最为相似的两条记录进行合并，则有可能更加真实地反映用户的轨迹。1)2)3)4)5)6)7)8)9)10)11)12)3 4for each k doif rk = rk + 1if S is NULLS = tk ，tk + 1 ，rk elseS = S( 1) ，tk + 1 ，S( 3) end elsePatterni，j = Patterni，j S S = NULLend end 轨迹预测算法Barabasi 在文献9中指出，人类的行为有其潜在的规律例 3 用户 i 在 j，k 两天的真实轨迹均为 t ，r ， t ，1 12r ， t ，r ， t ，r ，表

20、示为: Trajectory = t ，r ，i，j23 34 411t ，r ， t ，r ，Trajectory = t ，r ， t ，r ， t ，2 23 3i，k113 34r4 ，则合并 j，k 这两天的轨迹得到了真实的轨迹: Trajectoryi，jTrajectoryi，k = t1 ，r1 ， t2 ，r2 ， t3 ，r3 ， ，t4 ，r4 。用户两天轨迹的相似程度由轨迹差来度量。定理 1三维空间( x，y，t) 中，由 Trajectoryi，j 中序列点对依次连结形成的连续曲线记作( Linexyj ( t) ，Linej ( t) ，t) 。d1、d2两天的轨迹

21、差为:tend 槡( Linexd1( t) Lined2( t) ) + ( Lined1( t) Lined2( t) )x2yy2 t start Disi( m，n) =t tstart end其中( tstart ，tend ) 是曲线 ( Lined1 ( t ) ，Lined1 ( t ) ，t ) 与曲线 ( Lined2xyx性。这个规律体现在人类的后一时刻的行为常常取决于前一时刻或前几个时刻的行为。可以结合用户历史通过前几次行为来 预测用户的下一次行为。例 1 已知 t3 时刻之前的轨迹序列为 t1 ，r1 ， t2 ，r2 。用户历史轨迹 Trajectoryi 中包含该

22、序列的最频繁子序列 为 t1 ，r1 ， t2 ，r2 ， t3 ，r3 ，那么用 t3 ，r3 作为预测 结果，即预测用户在 t3 时刻位于 r3 。人类行为的规律性还体现在人类的作息以天为单位进行。 在一天中的某时刻或时段，人的行为总是相似的。比如，一个人 在夜晚常常在家中睡觉，白天在单位上班。多数人的时间还分 为工作日和周末，在工作日，人们主要从事劳动; 在周末，人们主 要休息娱乐。例 2 对于 Patterni ，j，k 工作日 ，p 周末 ，使得 ( Patterni，j Patterni，p ) ( Patterni，j Patterni，k )根据上述规律和假设，提出算法 3 (

23、 称之为 Match 算法) 来 对用户轨迹进行预测。( t) ，Liney ( t) ，t) 定义域的交集。d2证明: 对于用户 i，在同一时刻 t，第 m 天的位置为( xm ，ym ) ，第 n 天的位置为( xn ，yn ) ，这两天在时刻 t 的距离为:L = 槡( x x ) 2 + ( y y ) 2m nm n两天平均意义上的距离为:tendtLstartDisi ( m，n) = t tstart end其中 m、n 所对应轨迹曲线为 ( fx ( t) ，fy ( t) ，t)、( fx ( t) ，fy ( t) ，m mn nt)。则上式可写成:tendtstart=槡

24、 fm ( t)(x fm ( t) ) + ( fm ( t) fm ( t) )x2 yy2Dis ( m，n)itstart tend如果 f 取由 Trajectoryi，j 中序列点对依次连结形成的连续曲线 ( Linexj ( t) ，Linej ( t) ，t) ，那么上式可以写成:ytendt 槡( Linex ( t) Linex ( t) ) 2 + ( Liney ( t) Liney ( t) ) 2d1d2d1d2 start 证毕Disi( m，n) =算法 3Matcht tstart endInput: t1 ，r1 ， t2 ，r2 ， tn 1 ，rn 1

25、，( t1 t2 tn 1 ) ，tn ，Patterni Output: r在确定两天轨迹的相似程度度量方法后，计算 Disi ( p，q) ，选取轨迹差最小的前 th% 的用户轨迹进行合并，得到用户轨迹1)Define tk in Patternij to find at2m t2m 1 ，t2m ，rm where t2m 1 tk合并集，称之为 Merge 。具体轨迹合并算法见算法 4。利用 Mer-i进行轨迹预测，实验证 明，能够提高预测准 i 代替gePatterni2)3)4)5)6)7)8)9)10)11)12)13)14)15)16)17)18)3 5satisfy = fo

26、r each j doif tn in Patterni，jsatisfy = satisfy Patterni，jend endfor each j dofind maxi that tn 1 in satisfyj ，tn 2 in satisfyj ，tn i in satisfyjmatchj = n i endp = max( match)if p0r= rq ，that exists q with t2q 1 ，t2q ，rq satisfyp and t2q 1 tn t2elseuser Algorithm Most Frequent get rend轨迹合并确率。算法 4Co

27、mbinationInput: Trajectoryi ，n，thOutput: Mergei1)2)3)4)5)6)7)8)9)10)11)12)13)14)15)/ / n 为历史话单数据的总天数，th 为合并记录比例for every p do for every q doif p = qDisp，q = MAXNUMelsedisp，q = Disi ( p，q)end endendfor j = 1to th* Cn 2Disp，q is the jth smallest num in disMergei = Mergei Trajectoryi，p Trajectoryi，q en

28、dMergei = Mergei Trajectoryi用户一天的通话行为十分离散，使得话单数据很难准确反1)人类行为不可知性。在文献9中，作者详细论述了实验4问题，人类的行为虽然有着很强的规律性，但大约有 7% 的人行为是突发的、不可预知的。2) 基站转换。每次通话时都会有一定概率发生基站转换4 1实验数据本文选用中国某地级市 2007 年 9 月 14 天 1240000 用户的 话单数据。选择 f0 5 的用户数据进行实验，满足该条件的用 户有 15000。4 2轨迹预测评估为了计算预测准确率，我们使用前 13 天的数据作为话单数 据集 Call，应用 3 2 节区域划分算法对用户的活动

29、范围 Ti 进行 划分，最后使用轨迹预测策略对最后一天每一个整点时刻进行 预测，并计算准确率。结果如图 1 所示。而不是与最近的基站进行通讯，使得部分验证数据错误反映户位置，影响预测准确率。3)行为模式并不能完整的反映用户的历史行为。用户通话极为离散，即使是选择通话行为较频繁的用户，其一个小内所打出的电话也不过 1、2 个，也就是说，一个小时中，只能得到 1、2 次用户的位置。用户的轨迹很可能并未完全暴露，到的行为模式只反映了用户部分历史行为。轨迹合并预测评估针对 4 2 提出的第 3 个影响预测结果的因素，我们进行4 3轨迹合并实验，希望使用用户轨迹合并集提高预测的准确率。首先，使用前 13

30、 天的数据作为话单数据集 Call，并对数做去基站转换修正，应用 3 2 节区域划分算法对用户的活动 围进行划分。接下来的步骤与 3 2 节轨迹预测实验方法略有不同。使 算法 3 产生用户轨迹合并集 Merge，用 Mergei 代替 Trajectoryi 生行为模式 Patterni ，并计算预测准确率。结果见图 2。图 1 不同方法的预测准确率具体解释如下:1)Case1: 使用 Most Frequent 算法。将最常访问的区域作为轨迹预测结果，对数据不做额外处理。平均预测准确率为68 5% 。2) Case2: 使用 Most Frequent 算法。使用 3 1 节所述算法 对话单

31、数据集 Call 进行修正。平均预测准确率为 75 4% 。3) Case3: 使用本文提出的 Match 算法。使用 3 1 节所述算 法对话单数据集 Call 进行修正。平均预测准确率为 85 4% 。由图 1 可以得到以下结论:图 2 经过轨迹合并后预测准确率由图 2 可知，随着轨迹合并比例 th 的增大，平均预测准 率不断上升，在 th = 30% 左右时，预测准确率达到峰值，th 继 增大，预测准确率开始下降。这是因为当 th 很小时，只合并轨迹差异最小、最相关的 录，合并后的轨迹能够正确反映用户的真实轨迹，能够增大正 预测轨迹的比率。当 th 过大时，一些不相关的轨迹记录也被 并，

32、合并后的轨迹不能反映用户的真实轨迹，减小了正确预测 迹的比率。1)对数据进行去基站转换处理很有必要。Case1 实验重复了文献9中所述算法 Most Frequent，验证了其预测准确率在70% 左右的结论。Case2 实验对 Case1 实验数据额外进行了去基 站转换处理，比较 Case1 与 Case2，平均预测准确率提高了 6 9% 。 在具体实验中，发现检测出发生基站转换的通话记录只占总记录 数的 1 9% 。说明虽然发生基站转换的比例并不高，但基站转换 错误地暴露了用户位置，去除基站转换，能够很大程度上提高预 测准确率。2) 比较 Case2 与 Case3，发现本文提出的 Matc

33、h 方法较之前 Most Frequent 的方法预测准确率提高了 10% 。本文提出的方法 不仅考虑了用户前几个时刻表现出来的行为对之后的影响，还 考虑了以天为单位，用户行为的规律性。使得在轨迹预测时，能 够找到最为相似的历史中一天，给出合理的预测结果。3) 人类在休息时间( 一天的较早时间和较晚时间) 的规律 性要大于工作时间的规律性。对于休息时间的轨迹预测准确率 要高于工作时间的轨迹预测准确率。尤其是在正午时间，三条 预测曲线都达到了最小值，说明在正午时间人类行为的规律性 最差，最为难以预测。对 Match 算法错误预测用户轨迹的来源进行分析，发现主图 2 还可以得出结论: 人类在以天为

34、单位的时间尺度上，30% 的行为是自相似的。结语5已有研究大多针对于 GPS 等连续轨迹数据，无法预测离轨迹。本文对离散轨迹( 话单数据) 建模得到用户行为模式，用本文提出的 Match 算法，约有 85% 的人类轨迹可以预测，接使用轨迹合并算法，预测准确率得到进一步地提高。另外，在 轨迹合并进行研究的基础上，我们得到了人类在以天为单位 时间尺度上，有 30% 的行为是自相似的结论。基于移动数据的轨迹预测，还应有提高预测准确率的空间结合社会网络的轨迹预测将是我们进一步研究的方向。( 下转第 17 页要有三个因素影响了预测的结果:第 2 期郑强等: 基于 SM3 算法的动态口令卡的设计与实现17

35、 将时间 T 的分钟值与 10 做取模运算，记为 t = T分 mod 10( t = 1，2，9) ，并将此时的时间记为 Tt。截短口令初值每 次选取三组 M，分别为 Mt、Mt + 10、Mt + 20。 将三个数组顺序组合为 3 个字节的十六进制数，即 OTP= MtMt + 10Mt + 20。 将 OTP 转化为十进制数 OTP。 将 OTP与 106 取模，得到截短的六位数字口令 P。举例说明，如果当前时间是 14 点 53 分，则 t = 53mod10 =3，此时时间记为 T3 ，明文经过加密，输出值为 M = debe9ff92275b8a1 38604889 c18e5a4

36、d 6fdb70e5 387e5765 293dcba39c0c5732，取 M3= f9、M13= 8e、M23= 65 顺序组合生成 OTP = f98e65，转换为十进制数 OTP = 16354917。则最终生成 的动态口令 P = 16354917mod106 = 354917。此种方法保证了生 成口令的二次动态性，使得非法用户通过猜测的方法获得密钥 几乎是不可能的，进一步提高了动态口令算法生成的安全性。于 SM3 算法的动态口令卡，是国有密码算法在身份认证领域的具体应用。本文提出了基于时间的截短口令算法，实现了截短 口令的二次动态性，进一步提高了动态口令算法的安全性。此 外，口令卡

37、采用低功耗芯片设计，通过测试和仿真实验表明，达 到了降低系统功耗、延长了使用寿命的设计目标。本文设计实 现的动态口令卡，为 SM3 算法的现实应用提供了一个可行的 选择。参 考 文 献1 张文 动态口令系统的设计与实现J 微计算机信息，2005，21( 3) : 236-2372 顾韵华，刘素英 动态口令身份认证机制及其安全性研究J 微 计算机信息，2007，23( 33) : 57-593 叶晰，叶依如 基于 MD5 算法的动态口令技术的软件实现J 计算机应用与软件，2009，29( 11) : 287-2884 王小云，冯登国，来学嘉，等 散列函数中的碰撞EB / OL ht- tp: /

38、 / www cstc net cn / docs / docs php? id = 3235 中华人民共和国国务院令第 273 号 商用密码管理条例S / OLhttp: / / topic csdn net / t /20011229 /11 /448986 html6 李晓东，贾慧斌 基于时间同步的动态口令认证系统J 信息网 络安全，2010，31( 5) : 71，777 国家密码管理局 SM3 密码杂凑算法EB / OL 2010 12 22http: / / www oscca gov cn / UpFile /201012221418577866 pdf8 九段 评价微处理器低功

39、耗的五个标准EB / OL 2008 09 24 http: / / www eetrend com / forum /1000235749 高小霞 基于哈希算法的动态口令令牌的分析设计与改进EB / OL http: / / wenku baidu com / view /23d30943a8956bec0975e32e html( 上接第 13 页)参 考 文 献1 Han Sangjun，Cho Sungbae Predicting users movement with a combi-实验验证3本文设计和实现的基于时间的动态口令卡，以 SM3 算法作为加密算法，在 DEMO 板上实现

40、了每分钟生成一次动态口令， 以 6 位数字显示在液晶屏上。在 keil C 软件模拟环境下，口令 每分钟更新一次，测得单次口令的平均计算时间和时间刷新时 间均为 200ms 左右。动态口令系统在不同工作模式下的功耗如 表 1 所示。表 1 系统不同状态功耗值nation of self-organizing map and markov modelC/ / ICANN 2006，883-8932 Daniel Ashbrook，Thad Starner Using GPS to learn significant loca- tions and predict movement across

41、multiple usersJ Personal and U- biquitous Computing，2003，7: 275-2863 Jan Petzold，Faruk Bagci，Wolfgang Trumler，et al Global and local state context predictionC/ / Artificial Intelligence in Mobile Systems2003 ( AIMS 2003) in Conjunction with the Fifth International Confer- ence on Ubiquitous Computin

42、g，20034 Anna Monreale，Fabio Pinelli，Roberto Trasarti，et al WhereNext: a location predictor on trajectory pattern miningC/ / KDD 09，2009:637-6455 Hsu Weijen，Ahmed Helmy IMPACT: investigation of mobile-user patterns across university campus using WLAN trace analysisR Technical report，University of Sou

43、ch California，20056 Faruk Bagci，Florian Kluge，Theo Ungerer，et al Optimisations forLocSens an indoor location tracking system using wireless sensorsJ International Jounal of Sensor Network，2009，6: 157-1667 http: / / www miit gov cn / 系统整体功耗 = 待机时间功耗 + 时间刷新时的功耗 + 口令更新时的功耗。计算每分钟内的系统平均功耗: 设定时间计时500ms 处理一次，则每分钟可以处理 120 次。口令每分钟更新 一次，对照表 1 系统功耗在不同工作模式下的数据，可计算出动 态口令卡系统的平均功耗为:( 1 1 60 + 4 5 120 0 2 + 240 0