Node Position Forecast in MANET with PheroCast

Coelho, Paulo R. S. L.; Fynn, Enrique; Faina, Luís F.; Pasquini, Rafael; Camargos, Lásaro

doi:10.1109/aina.2014.140

Cited by 1 publication

(6 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Neste capítulo, descrevemos as duas contribuições principais deste trabalho: o algoritmo PheroCast (COELHO et al, 2014) e sua versão estendida, ToD-PheroCast, introduzido na Seção 3.6. Começaremos definindo conceitos básicos para a compreensão do algoritmo e, logo em seguida introduziremos os algoritmos na ordem em que foram concebidos.…”

Section: Pherocastunclassified

“…Assim, este é o primeiro lugar em que nós avaliamos nossos algoritmos de PheroCast. Note que o mesmo cenário descrito aqui também foi utilizado na avaliação do algoritmo PheroCast original (COELHO et al, 2014). A avaliação descrita, no entanto, considera uma versão ligeiramente modificada do PheroCast, discutida no Capítulo 3 e nossa versão melhorada, ToD-PheroCast, apresentada na Seção 3.6.…”

Section: ôNibus De Seattleunclassified

“…O primeiro algoritmo que definimos foi denominado Previsão Baseada em Feromônios (PheroCast), do inglês, Pheromone Based ForeCast (COELHO et al, 2014), que faz previsões de posicionamento em um horizonte temporal utilizando uma busca dentro de um grafo direcionado. Em uma primeira avaliação do algoritmo, utilizamos rastros dos ônibus de Seattle, USA, cujos dados não foram particularmente recolhidos para os nossos propósitos e tem baixa qualidade, com alta fragmentação e baixa granularidade.…”

Section: Introductionunclassified

“…Por exemplo, se dividirmos a área de Seattle em uma grade de células de 1.000 pés 2 , PheroCast prevê corretamente a célula que o ônibus vai estar após 30 segundos em 85.4% dos casos. Nesta dissertação, apresentamos uma versão melhorada do algoritmo em (COELHO et al, 2014), bem como uma avaliação estendida do seu desempenho.…”

Section: Introductionunclassified

“…1. introduzimos o algoritmo PheroCast para prever a posição futura de nós em ambientes móveis (COELHO et al, 2014).…”

Section: Introductionunclassified

See 4 more Smart Citations

Previsão eficiente do posicionamento futuro de nós em redes móveis

Fynn¹

Self Cite

View full text Add to dashboard Cite

The ability to predict where nodes might be in the near future may enable several new applications in a mobile ad hoc network (MANET). For example, content may be generated for an approaching potential consumer in pervasive computing scenarios or traffic jams may be predicted and prevented. We introduce PheroCast, a lightweight algorithm to do online predictions of a node's future position based on its previous movement history. PheroCast, however, does not take into account the variations in the movement pattern along the day, using any previous history in the same way. For example, in a scenario where the same node travels every morning, but seldom in the evening, PheroCast would give the same or more weight to the data from the morning when predicting an evening trip, which would likely lead to a wrong prediction. Due to this limitation, we developed the Time of Day PheroCast, or ToD-PheroCast, an extended version of the original algorithm which takes the time of the day into account while making predictions, giving more emphasis to the history of movement within similar time windows. Finally, we evaluate the performance in three scenarios: (i) prediction of the position of buses in a metropolis, which are expected to have very regular mobility pattern; (ii) Taxis in a metropolis, which should lead to low accuracy predictions; and (iii) mobility of people interacting with wireless networks, that used traces collected by the author's research group. Our evaluations show that ToD-PheroCast is up to 4.41% better than PheroCast in the bus scenario, in which it achieved over 85% accuracy in its predictions, and 0.72% better in the taxi scenario, in which the algorithm achieved up to 89.17% accuracy. Finally, in the wireless scenario, ToD-PheroCast achieved 81.02% accuracy. These results show that not only forecasting is possible in such scenarios, but that it may be done with high accuracy, online, and in a lightweight manner.

show abstract

Section: Pherocastunclassified

Section: ôNibus De Seattleunclassified

Section: Introductionunclassified