Thuật toán dự báo vị trí trong mạng di động

THUẬT TOÁN DỰ BÁO VỊ TRÍ TRONG MẠNG DI ĐỘNG
TÓM TẮT
Dự báo vị trí các thuê bao di động là một trong những vấn đề quan trọng trong các hệ thống tính 
toán di động. Sự di chuyển của người sử dụng điện thoại di động trong môi trường di động được lưu 
trữ trong thanh ghi “vị trí thuê bao di động (HLR)”. Các di chuyển thuê bao di động tạo ra các mẫu 
di động, dùng công nghệ khai thác dữ liệu theo dõi các mẫu đó. Các mẫu dữ liệu để phát hiện vị trí 
được sử dụng, để cung cấp các dịch vụ khác nhau cho người sử dụng điện thoại di động. Hiện nay, 
một số bài báo đã đề cập các phương pháp khai thác dữ liệu di động của người sử dụng điện thoại 
thông minh cho các hệ di động (GSM). Trong bài báo này, chúng tôi đề xuất một vài phương pháp sẽ 
làm giảm thời gian để tính toán mô hình di động, phục vụ công nghệ internet di động hiệu quả hơn.
Từ khóa: Dự báo vị trí, mạng GSM, dự đoán sự di chuyển thuê bao di động, khai thác dữ liệu.
ABSTRACT
Location prediction algorithms for mobile networks
Mobility prediction is one of the important issues in mobile computing systems. The moving logs of 
mobile users in mobile computing environment are stored in the Home Location Registry (HLR). The 
generated moving logs are used for mining mobility patterns. The discovered location patterns can be 
used to provide various location based services to the mobile users by applying server in mobile com-
puting environment. Currently, there are some papers writing about data mining smartphone users for 
mobile systems (GSM). In this paper, methods are proposed to reduce the time to calculate the cellular 
model, serving mobile internet technology more effectively.
Keywords: Location prediction, GSM network, Mobility prediction, Data mining.
Lê Mạnh1, Giang Minh Đức2
1 Trường Đại học Văn Hiến 
2 VNPT Binh Duong 
1ManhL@vhu.edu.vn
Ngày nhận bài: 02/01/2017; Ngày duyệt đăng: 28/02/2017
1. Tổng quan
Ngày nay, với sự phát triển nhanh chóng của 
mạng truyền thông tế bào, nhiều người sử dụng 
các thiết bị di động cá nhân để tìm kiếm thông 
tin trên mạng internet. Hầu như mọi người đều 
có thiết bị di động như mobile phone, máy tính 
bảng (tablet mobile), notebook, Ngoài ra, 
nhiều người tìm kiếm thông tin khi đi du lịch 
khắp nơi trên thế giới. Vào khoảng 6,8 tỷ mo-
bile phones được sử dụng trên toàn thế giới vào 
năm 2013 với tỷ lệ 99,97% dân số toàn thế giới 
[15]. Do đó, mục tiêu của vấn đề là làm thế nào 
để đảm bảo chất lượng của dịch vụ (Quality of 
Service (QoS)) di động.
Trong mạng truyền thông tế bào (Cellular 
communications Networks), một “mobile user” 
có thể di chuyển từ vị trí này đến vị trí khác (lân 
cận) trong vùng phủ sóng. Khi mobile user di 
chuyển như thế, vị trí của mobile user sẽ được 
cập nhật liên tục vào thanh ghi định vị tạm trú 
(Visitor Location Register (VLR)) của hệ thống. 
VLR là một cơ sở dữ liệu trung gian để lưu trữ 
thông tin tạm thời của mobile users trong vùng 
phục vụ của Trung tâm chuyển mạch di động 
(Mobile Switching Center (MSC)). Thông tin 
vị trí của mobile users sau đó sẽ được chuyển 
tới thanh ghi định vị thường trú (Home Location 
Register (HLR)). HLR là một cơ sở dữ liệu lưu 
trữ lâu dài thông tin của mobile users. Lịch sử di 
chuyển của mobile users được lấy ra từ các file 
105
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
log của HLR của MSC và dữ liệu lịch sử này 
được sử dụng để dự báo trước đường đi tương 
lai của mobile users.
Nhiều ứng dụng như chăm sóc sức khỏe, 
sinh học, quản lý khách sạn, và quân sự cũng 
áp dụng tiến trình xử lý về phụ thuộc vị trí (lo-
cation – dependent). Với việc dự báo trước vị 
trí một cách hiệu quả, có thể trả lời các câu hỏi 
liên quan đến các vị trí trong tương lai của các 
users. 
2. Định nghĩa vấn đề
Hiện nay mạng GSM đã rất thông dụng ở 
Việt Nam và trên thế giới. Vùng phủ sóng của 
mạng GSM được chia ra những vùng nhỏ hơn 
gọi là “cell”. Trong mỗi “cell” của mạng GSM 
có một trạm thu phát sóng gọi là BTS (Base 
Transceiver Station) có nhiệm vụ thu và phát 
sóng vô tuyến đến các Mobile Users [11], [12]. 
Các BTS được kết nối với nhau thông qua mạng 
truyền dẫn quang hoặc vô tuyến. Các Mobile 
Users sử dụng các kênh truyền dẫn vô tuyến để 
truyền thông với các BTS. 
Sự di chuyển của một mobile user từ một 
“cell” hiện tại tới một “cell” khác sẽ được ghi 
nhận trong một cơ sở dữ liệu gọi là VLR. Sau 
đó, dữ liệu từ VLR sẽ được chuyển về HLR 
[13], [14] đặt tại tổng đài MSC. Từ dữ liệu này 
chúng ta có thể lấy ra lịch sử di chuyển của mo-
bile user để có thể dự báo trước vị trí của họ. Ta 
gọi những mẫu dữ liệu lịch sử di chuyển này là 
UAPs (User Actual Paths). UAPs là một nguồn 
thông tin có giá trị bởi vì sự di chuyển của 
mobile user bao gồm các mẫu di chuyển ngẫu 
nhiên và các mẫu di chuyển thường xuyên. 
Trong bài báo [8] đã đưa ra thuật toán khai phá 
các mẫu di chuyển của mobile users nhằm dự 
báo vị trí di chuyển kế tiếp. Trong bài báo của 
chúng tôi đưa ra cũng dựa theo thuật toán này 
nhưng được cải tiến hiệu quả hơn về thời gian 
chạy. Cụ thể sẽ được trình bày ở phần sau.
3. Các công trình liên quan
Cho đến nay, đã có một số nghiên cứu về 
quản lý sự di chuyển của user. Hầu hết các 
nghiên cứu tập trung vào vấn đề cập nhật vị 
trí [1]. Vị trí cập nhật được thực hiện bất cứ 
khi nào user di chuyển từ “cell” này tới “cell” 
khác trong mạng để lưu vết chính xác vị trí 
của user. Khi một cuộc gọi đến, mạng định 
hướng (route) cuộc gọi tới vị trí sau cùng của 
mobile user [2].
Vấn đề khai phá mẫu tuần tự đã được đề 
cập trong [3]. Thuật toán trong bài báo này 
không thể ứng dụng vào bài của chúng tôi 
để khai phá các mẫu di chuyển, vì các thuật 
toán này không xem xét “topology” của mạng 
trong khi khai phá các mẫu di chuyển. Ngoài 
ra, việc khai phá mẫu tuần tự cũng được ứng 
dụng vào lĩnh vực dự báo trước việc truy cập 
của users trên Web [4], [5]. Web prefetching 
được định nghĩa như là việc phân phối những 
yêu cầu tươn ... Vị trí của MH (mobile host) được định danh 
bởi ID (identity) của tế bào di động (MC-mobile 
cell). Trong tế bào di động mới, các MH có thể 
kết nối với trạm hỗ trợ di động (MSS – Mobile 
Support Station) mới. Agrawal và Srikant (1995) 
[3] có định nghĩa một giao tác gọi là “anchor 
transaction” được cài ở mạng cố định: ở MSS 
hoặc các máy chủ cơ sở dữ liệu. Các MSS này 
là các điểm “anchor” của các “anchor transac-
tion”. Khi MH di chuyển vào trong các MC mới, 
một tiến trình “hand-over” (hoặc Hand-off) sẽ 
xảy ra, khi đó các “anchor transaction” sẽ được 
chuyển từ điểm “anchor” trước đó tới điểm “an-
chor” mới. Hình dưới đây thể hiện khi một MHi 
di chuyển từ một MCn tới một tế bào di động 
mới MCm, tiến trình hand-over sẽ di chuyển 
một TiA từ một trạm hỗ trợ di động MSSn tới 
MSSm. Giao tác “anchor” TiA sẽ giữ vết (track) 
của MSS mà nó di chuyển qua, ví dụ MSSn và 
MSSm , do đó nó hỗ trợ “mobility” của các giao 
tác di động khi đi qua các tế bào di động khác 
[19] (Hình 1).
Khi các MH (Mobile Host) di chuyển từ tế 
bào này sang tế bào khác tiến trình hand-over 
thực hiện để chuyển MH sang kênh truyền mới.
Vấn đề chuyển giao sự phục vụ thuê bao di 
động (Hand-over)
• Khi người sử dụng di chuyển từ tế bào này 
sang tế bào khác là mạng thực hiện việc điều 
khiển chuyển mạch.
• Thời gian thực hiện chuyển giao nhiều nhất 
là 100ms.
Hình 1: Nguyên lý chuyển giao kết nối internet di động
107
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
Hướng nghiên cứu để giải quyết vấn đề 
trong quản lý mạng internet di động
Khi Mobile Host (MH) đang di chuyển trong 
mạng tổ ong. Hệ thống sẽ tìm cách dự báo trước 
MH sẽ di chuyển đến tế bào nào trong số 6 tế 
bào xung quanh.
• Làm cách nào để dự báo trước MH sẽ di 
chuyển đến tế bào nào trong số 6 tế bào xung 
quanh.
– Biết được khoảng cách từ MH đến các tế 
bào lân cận tại từng thời điểm.
– Biết được mức thu tín hiệu của MH tại các 
tế bào lân cận (BTS lân cận).
• Chuẩn bị dữ liệu bản sao đến các BTS đó, 
không đợi đến tiến trình chuyển giao (Hand-
over) hoặc bị mất kết nối (Disconnect) do MH 
đi vào các vùng tối (vùng không có sóng) giữa 
các tế bào.
Hình 3: Lưu đồ để dự đoán vị trí trong môi trường di động
Hình 2: Sơ đồ mạng lưới các trạm BTS hệ di động
VAN HIEN UNIVERSITY JOURNAL OF SCIENCE VOLUME 5 NUMBER 1
108
 Theo lưu đồ ở Hình 3, ta thấy rằng phương 
pháp thực hiện để dự báo trước vị trí của mobile 
users qua 4 giai đoạn sau:
Giai đoạn 1: Lấy dữ liệu từ logfile của 
HLR 
Sự di chuyển của mobile user từ cell hiện tại 
tới cell khác sẽ được ghi nhận trong cơ sở dữ liệu 
gọi là HLR. Chúng lưu trữ thường trực thông tin 
của khách hàng trong mạng di động. Lịch sử di 
chuyển của khách hàng có thể được lấy ra từ log 
file của HLR.
Giai đoạn 2: Khai thác UAPs để được UMPs
Giả sử, đặt tên đường đi thực tế của mobile 
user là UAPs (User Actual Paths). UAPs là một 
nguồn thông tin có giá trị vì nó chứa đựng các 
mẫu di chuyển thường xuyên và mẫu di chuyển 
ngẫu nhiên. Do đó, sử dụng UAPs, ta có thể 
rút ra mẫu di chuyển thường xuyên và sử dụng 
chúng để dự báo trước.
Giả sử rằng UAPs có dạng: C= {c1,c2,
,cn}. Mỗi ck biểu thị số ID của “cell” thứ k trong 
vùng phủ sóng.
Bảng 1: Thuật toán Candidate Generation, UMP Mining chuẩn trong [8]
109
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
Trong Bảng 2, tất cả các luật sẽ được dùng để 
dự báo trước cho “user”. Giả sử “user” đi theo 
đường P={2,3,0,4} cho đến bây giờ và “user” 
hiện đang ở cell 4. 
Theo luật trên thì có: {4} -> {0}, {4} -> {5}, 
{3,4} -> {0}, và {3,4} -> {5}. Vậy “user” có thể 
di chuyển đến “cell” 0 hoặc “cell” 5. 
5. Kết quả nghiên cứu
5.1. Những cải tiến các thuật toán trên:
Định nghĩa về ngữ cảnh khai phá dữ liệu:
Bảng 2: Tất cả các luật di chuyển
VAN HIEN UNIVERSITY JOURNAL OF SCIENCE VOLUME 5 NUMBER 1
110
Cn UMPMining Find_UMP_ 
Reduce_Complexity
Find_UMP_ 
Reduce_Transaction
Ln
Số 
lượng 
Cn
Thời 
gian 
chạy
Số 
lượng 
Cn
Thời gian 
chạy
Số 
lượng 
Cn
Thời 
gian 
chạy
C
1
351 32 351 1 351 1 348 L
1
Bảng 3: So sánh kết quả tìm Ln của các thuật toán theo chuẩn
111
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
Theo kết quả trên, ta thấy: L1 = 348, L2 = 
1033, L3 = 124, L4 = 0 (cho tất cả 3 thuật toán: 
UMPMining, Find_UMP_ Reduce_Complexity 
và Find_UMP_ Reduce_Transaction). 
5.2.1.2. Độ chính xác của thuật toán cải 
tiến tính toán online
Định nghĩa:
Recall: số các cell dự báo đúng/ tổng các yêu 
cầu.
Precision: số các cell dự báo đúng/ tổng các 
dự báo được thực hiện.
Sự thay đổi hệ số Recall khi thay đổi giá trị 
min_supp
Tập huấn luyện thứ nhất có 56.198 records.
Tập huấn luyện thứ hai có 56.198 + 68.787 = 
124.985 r ecords
Tập huấn luyện thứ ba có 56.198 + 68.787 + 
34.895 = 159.880 records.
Tập dữ liệu thử có 7207 records.
Hình 4 so sánh “recall” của các luật dự báo 
theo ba tập dữ liệu huấn luyện khác nhau. khi 
tăng min_supp thì “recall” giảm theo. Lý do là 
khi tăng min_supp kéo theo số các luật dự báo 
được khai phá giảm đi, Do đó, số các dự báo 
đúng sẽ giảm theo. 
Khi kích thước tập huấn luyện tăng lên thì 
“recall” của các luật dự báo tăng theo.
C2 1488 167 1488 129 1488 129 1033 L2
C3 3340 341 3340 274 3340 5 124 L
3
C4 79 8 79 6 79 1 0 L
4
Tổng 5258 548 5258 410 5258 136
Hình 4: So sánh sự thay đổi recall theo min_supp của ba tập dữ liệu
Độ chính xác (precision) của việc dự báo 
khi thay đổi giá trị min_conf
Hình 5 so sánh độ chính xác của các luật dự 
báo theo ba tập dữ liệu huấn luyện khác nhau.
Chúng ta thấy rằng khi tăng số record của tập 
dữ liệu huấn luyện (56.198 + 68.787 + 34.895 
records) thì precision của chúng thay đổi không 
đáng kể.
VAN HIEN UNIVERSITY JOURNAL OF SCIENCE VOLUME 5 NUMBER 1
112
Hình 5: So sánh độ chính xác dự báo của ba tập dữ liệu khi thay đổi min_conf
5.2.2. Nâng cao độ chính xác của dự báo
Để nâng cao độ chính xác của dự báo, chúng 
tôi thực hiện phân lớp theo thời gian trong ngày 
của tập dữ liệu đầu vào.
Việc phân lớp chính xác tùy thuộc vào từng 
vùng, miền, từng quốc gia theo văn hóa xã hội 
và công việc của họ. 
Dữ liệu từ thanh ghi HLR được đưa vào bộ 
phân lớp theo thời gian. Dữ liệu được chia làm 
ba lớp như sau:
Dữ liệu 
không phân lớp
Dữ liệu 
phân lớp sáng
Dữ liệu 
phân lớp chiều
Dữ liệu 
phân lớp tối
Training 
Data 
Set
Testing 
Data Set
Training 
Data 
Set
Testing 
Data 
Set
Training 
Data 
Set
Testing 
Data 
Set
Training 
Data 
Set
Testing 
Data Set
18662 237 18662 237 - - - -
14347 1846 - - 14347 1846 - -
5581 2024 - - - - 5581 2024
Sự thay đổi của recall theo min_supp 
Khi thay đổi giá trị min_supp thì giá trị của 
“recall” thay đổi như sau: 
Đối với phân lớp sáng, hệ số recall có cải 
thiện ở các giá trị đầu của min_supp từ khoảng 
0,5 - 1,3. Tỷ lệ nâng cao hệ số recall từ 5% - 6%.
Tương tự, đối với phân lớp chiều và tối cũng 
được cải thiện.
Bảng 4: Tập dữ liệu phân lớp theo thời gian
Hình 6: So sánh hệ số recall sau khi phân lớp sáng
113
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
Sự thay đổi của precision theo min_conf 
Đối với dữ liệu được phân lớp sáng: Khi thay 
đổi giá trị của hệ số min_conf thì giá trị của hệ số 
precision thay đổi như sau: 
Đối với phân lớp sáng, hệ số precision cũng 
được cải thiện. Tỷ lệ tăng hệ số precision từ 
0,1% - 13%.
Tương tự, đối với phân lớp chiều, tỷ lệ tăng 
hệ số precision từ 0,15% - 17% và phân lớp tối, 
tỷ lệ tăng hệ số precision từ 0,6% - 4,9%.
5.3. Kết quả thực nghiệm
Nhóm tác giả thực hiện lấy số liệu của các 
trạm BTS tại Viễn thông Bình Dương, trích một 
phần nhỏ dữ liệu từ logfile của HLR với số trạm 
BTS là 351 trạm, số UAPs là 1.179.034 record. 
Sau khi chuẩn hóa dữ liệu số đường đi còn lại là 
31.415 record.
Hình 7: So sánh hệ số precision sau khi phân lớp sáng
Cn
Thuật toán 
UMPMining
Thuật toán
cải tiến 1
Số 
lượng 
Cn
Thời 
gian 
chạy
Số 
lượng 
Cn
Thời 
gian 
chạy
C
1
351 33 351 32
C
2
1492 176 1488 167
C
3
5191 511 3340 341
C
4
651 63 79 8
Tổng 7685 783 5258 548
Bảng 5: So sánh kết quả thực hiện
Trong đó:
- C
1
: các mẫu ứng viên có chiều dài là 1.
- L
1
: các mẫu phổ biến có chiều dài là 1.
- .
- Cn: các mẫu ứng viên có chiều dài n.
- Ln: các mẫu phổ biến có chiều dài n.
VAN HIEN UNIVERSITY JOURNAL OF SCIENCE VOLUME 5 NUMBER 1
114
Tổng thời gian chạy các thuật toán với số 
trạm thử nghiệm:
- Theo thuật toán chuẩn [8] là 883s.
- Theo thuật toán cải tiến chỉ còn 548s.
6. Kết luận
Trong bài báo này mục đích của chúng tôi là 
giảm thời gian chạy của thuật toán [8], qua các 
thuật toán đã cải tiến và phát triển thêm. Trong 
phần kết quả thực nghiệm tại các trạm BTS của 
Viễn thông Bình Dương, chúng ta thấy rằng: với 
số cell là 351, số UAPs là 31415 thì thời gian 
chạy của thuật toán [8] là 783 giây và thời gian 
chạy thuật toán đã cải tiến còn 548 giây (giảm 
đi 30,01%). Lợi ích của việc áp dụng thuật toán 
tăng cường cũng như các thuật toán cải tiến (rút 
ngắn thời gian chạy) là hệ thống có thể chạy 
“online” theo thời gian thực nhằm theo dõi được 
lưu lượng tức thời, từ đó ta có thể điều chỉnh 
băng thông một cách hợp lý. Các thuật toán đề 
xuất là phù hợp với lý thuyết đã công bố trước 
đó, sau khi thử nghiệm thuật toán chưa cải tiến 
và thuật toán đề xuất thấy hiệu quả tính toán 
nhanh hơn, điều này dẫn đến chất lượng của dịch 
vụ internet di động sẽ tốt hơn. Hướng phát triển 
trong thời gian tới, chúng tôi sẽ nghiên cứu các 
thuật toán mới nhằm rút ngắn thời gian thực hiện 
của thuật toán ở giai đoạn 2 (giai đoạn khai phá 
dữ liệu UAPs để được UMPs) vì đây là giai đoạn 
chiếm rất nhiều thời gian. Do đó sẽ nâng cao hơn 
chất lượng dịch vụ (QoS) của các mạng di động, 
trong tương lai để phát triền các công nghệ di 
động mới dựa trên nền tảng điện toán đám mây. 
Đây là xu hướng công nghệ di động trong tương 
lai, điều này sẽ cung cấp các dịch vụ tối ưu cho 
thuê bao di động.
Hình 9: Biểu đồ thời gian chạy của hai thuật toán
Hình 8: Biểu đồ so sánh Cn
115
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1
TÀI LIỆU THAM KHẢO 
[1] Akyildiz F. I., Ho S. M., Lin Y. B., 1996. “Movementt-based location update and selective 
paging for PCS networks”, IEEE/ACM Trans. Network. (4) pp. 629-639.
[2] Aljadhai A., Znaiti T., 2001. “Predictive mobility support for QoS provisioning in mobile 
wireless environments”, IEEE J. Select. Area Communication. pp. 1915-1930.
[3] Agrawal R., Srikant R., 1995. “Mining sequential patterns”, Proceedings of the IEEE 
Conference on Data Engineering (ICDE’95), pp. 3–14.
[4] Nanopoulos A., Katsaros D., Manolopoulos Y., 2001. “Effective prediction of web user ac-
cesses: a data mining approach”, Proceedings of the WebKDD Workshop (WebKDD’01).
[5] Nanopoulos A., Katsaros D., Manolopoulos Y., 2003. “An data mining algorithm for gen-
eralized web prefetching”, IEEE Trans. Knowl. Data Eng. 15 (5) pp. 1155–1169.
[6] Bhattacharya A., Das S. LeZi K., 2002. “An information-theoretic approach to track mo-
bile users in PCS networks”, ACM Wireless Networks 8 (2-3) pp. 121-135.
[7] Rajagopal S., Srinivasan R.B., Narayan R. B., Petit X.B.C., 2002. “GPS-based predictive 
resource allocation in cellural networks”, Proceedings of the IEEE International Confer-
ence on Networks, IEEE ICON020, pp. 229-234.
[8] Yavas G., Katsaros D., Ozgur Ulssoy and Yannis Manolopoulos, 2005. “A data mining 
approach for location prediction in mobile environments”, Data and Knowledge Engi-
neering, 54, pp. 121-146.
[9] Aflori C., Craus M., 2007. “Grid implementation of Apriori algorithm. Advances in engi-
neering software”. Volume 38, Issue 5, pp. 295-300.
[10] Sakthi U., Bhuvaneswaran R.S., 2009. “Mobility Prediction of Mobile Users in Mobile 
Environment Using Knowledge Grid”, Journal of Computer Science Vol.9, No.1. pp. 303-
309. 
[11] ETSI/GSM. Home location register/visitor location register – report 11.31–32.
[12] ETSI/GSM. Technical reports list.  full list=y.
[13] Alex Cabanes (IBM Systems & Technology Group) (2007) IBM BladeCenter - Home 
Location Register (HLR). June 2007.
[14] HRL Look Up – Service Manual (www.routomessaging.com).
[15] Gartner, 2013. List of Countries by Number of Mobile Phones in Use.
[16] Manh Le, Duc Giang Minh, 2010. “Transactions in mobile communication” Sixth In-
ternational Conference on Information Technology for Education and Research in HCM 
City, pp. 120-126. 
[17] Lê Mạnh, Nguyễn Việt Hùng, 2012. Theo dõi hành vi mã độc trong môi trường mạng ảo 
cách ly, NXB Khoa học và Kỹ thuật, Hà Nội, tr. 443-446.
VAN HIEN UNIVERSITY JOURNAL OF SCIENCE VOLUME 5 NUMBER 1
116
[18] Giang Minh Duc, Le Manh, Do Hong Tuan, 2015. “A Novel Location Prediction Algo-
ritm of Mobile User For Cellular Networks”. Các công trình nghiên cứu và phát triển công 
nghệ thông tin và truyền thông, pp. 58-66.
[19] Lê Mạnh, Giang Minh Đức, Đỗ Hồng Tuấn, 2015. “Các giao tác trong thông tin di đông 
ứng dụng thuật toán dự báo vị trí trong mạng di động”, Tạp chí khoa học Đại học Văn 
Hiến, số 9, 11/2015, tr. 50-58.
[20] Giang Minh Duc, Le Manh, Do Hong Tuan, 2015. “Mobility Patterns Mining Algo-
rithms with Fast Speed”. EAI ISSN 2409-0026.
[21] Giang Minh Duc, Le Manh, Do Hong Tuan, 2016. “A Method for Mobility Management 
in Cellunar Networks Using Data Mining”, Pre-Proceeding 5th International Conference 
ICCASA 2016. Context – Aware Systems and Applications, pp. 31-41. 
[22] Lê Mạnh, Nguyễn Thanh Bình, 2016. Ứng dụng thuật toán Delaunay và RQT vào bài 
toán quy hoạch mạng di động, NXB Khoa học và Kỹ thuật, Hà Nội, tr. 324-329.
[24] Giang Minh Duc, Le Manh, Do Hong Tuan, 2016. “A Novel Menthod to Improve the 
Speed and the Accuracy of Location Prediction Algoritm of Mobile User For Cellular 
Networks”. Các công trình nghiên cứu và phát triển công nghệ thông tin và truyền thông. 
Tập 2 số 10(36), pp. 113-121. 
117
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN HIẾN TẬP 5 SỐ 1