作者提出了行動模型和多層級類神經網路架構來預測行動主機(MH)在短時間內的移動軌跡。作者稱呼此方法為NLP'NLP是Neural Location Predictor的縮寫。本文之行動模型是 基於實際觀察後而提出的，原本看似隨機地在蜂巢之間移動，實際上行動主機的移動是使用者目前位置、速度、加速度和方向的一個函數。作者對於行動主機的座標(X，y)依橫軸縱軸方向分解後獨立的處理，使得NLP在設計時能以較少的數學運算來達到高計算效率。計算效率對於是否能夠成功保留頻寬和移動位置的預測是一個重要因素。未來的位置是依據最近的運動軌跡和狀況來加以預測。換言之NLP企圖透過已知的行動主機資訊加以推算出行動主機在下一個時間點將出現在哪一個位置。此智慧型的預測實作上是基於最近三次行動主機的位置加以推估未來的位置，其準確且快速的位

置預測能夠有效地降低I"QoS Seamless Handoff J 所需的控制訊號流量。

appropriate approach and can predict a future

In this paper， we novelly propose a mobility location based on three location updates of nearest

model and a multi-layer neural network past. Accurate and speedy location prediction can

architecture to predict the near future location of a minimize signaling traffic required by QoS

mobile host (MH). We call it NLP. NLP stands for maintenance during seamless handoff.

Neural Location Predictor. Transformed mobility