不知道下一次遇见谁，手机还能提前准备传消息吗？
论文名片｜Radu Ioan Ciobanu、Ciprian Dobre，Predicting Encounters in Opportunistic Networks，HP-MOSys ’12，2012，9—14。论文 DOI。
假设手机没有持续连通的网络，却能在靠近别人的设备时交换消息。它可以先存下消息，随着人移动，再把消息交给下一位可能接近目的地的人。问题是：现在就转发，还是等下一小时更多设备出现？
这就是机会网络（opportunistic network）里的存储—携带—转发。本文研究的预测目标比猜中某个具体的人更窄：根据过去同一星期、同一小时的记录，预测这一小时会发生几次接触。校园作息提供了可利用的规律，但高正确率还需要与大量没有接触的时段一起理解。
先说结论
- 主实验持续 64 天，66 名参与者中筛出 53 个有用设备节点；样本主要来自同一所大学，日程有较强重复性。
- 给整个实验只设一个平均接触率，泊松分布拟合表现不佳；细分到星期几的第几小时后，未被卡方检验拒绝的比例大幅提高。
- 留出最后两周，逐小时接触次数完全预测正确的比例约为 97.59%—99.14%，取决于周次及接触计数方式。
- 这不等于同样准确地知道会遇见谁，也没有直接证明消息送达率、延迟或能耗已经改善；这些仍是后续应用设想。
设备探测到的接触，怎样对应人的相遇？
2012 年春季，布加勒斯特理工大学使用 Android 应用 HYCCUPS Tracer 记录设备交互。蓝牙在附近发现设备，AllJoyn 则通过 Wi-Fi 会话的建立与断开记录交互，保存对方标识、时间和持续时长。
66 名参与者包括不同年级学生、教师和6名办公环境的外部参与者，其中53名原始参与者为本科四年级学生。研究排除外部设备与接触记录过少的节点，最终分析53个节点。筛选有助于获得完整记录，也可能让结果更偏向按要求开机、常来学校且作息稳定的人。
本文的 encounter 是设备进入彼此可检测范围、之后又离开的记录，不是两个人一定面对面聊天，更不是疾病传播意义的有效接触。同一段长期共处也可能因探测或应用中断被切成多次接触。
图 1｜一个人的接触，是否按星期重复？
本图没有字母子图。横轴按日期顺序用星期字母标示，纵轴为接触次数，展示一个示例节点在实验期间的每日接触。周二、周三、周四等时段反复出现相似模式；这是一个节点的示例，不能当作全部53个节点都有同样规则的证明。来源：原论文 Fig. 1。
图 2｜接触次数有规律，持续多久也一样有规律吗？
本图没有字母子图。横轴仍为连续日期的星期标记，纵轴为每日接触持续时长的累计值。部分工作日反复较高，但相较图1波动更大；次数和时长是两个不同预测目标。本文后续实际预测的是次数，没有给出同等完整的时长预测结果。来源：原论文 Fig. 2。
预测会不会有人出现，和预测谁出现，为什么不同？
研究把不确定性拆成两部分。一部分问下一时段有没有接触，只有有、无两种结果；另一部分问下一次接触的是哪个节点，候选者更多。
Shannon 熵用各结果的频率概括这种不确定性。一个结果长期占绝大多数，熵就低；结果比较分散，熵就高。论文以接触对象在全部接触中的份额描述对象分布，也以发生接触的时间占比描述时间状态。
图 3｜两类预测的难度，表现在哪里？
本图没有字母子图。横轴为熵，纵轴实际标为 P[X>x]，应读作超过某熵值的比例；接触时间状态的曲线集中在较低值，接触对象的曲线延伸得更远。对象候选多、分布更分散，提示还需要额外信息；低二元熵本身不能证明接触发生的具体时刻容易猜中。来源：原论文 Fig. 3。
这里有一个容易忽略的反例：如果绝大多数时段都没有接触，永远猜没有，也会得到低熵和较高正确率。因此，熵只能支持数据分布较集中，不能替代与朴素预测基线的直接比较。
同一个平均接触率，为什么不够？
泊松分布（Poisson distribution）用一个参数 λ 表示固定时间窗的平均事件数。本文取一小时为窗口，从历史平均接触次数估计 λ，再据此给出零次、一次、两次等接触的概率。
但校园中周日夜里与周二上课时的平均数显然可能不同。研究依次尝试三种粒度：全实验共享一个平均数；按星期几分别求平均；按星期几和小时分别求平均。最后一种相当于为一周的168个时间槽各估计一个接触率。
模型因此利用了周内季节性，并不是宣称全部接触以不变速率独立发生。若换课表、进入假期或设备使用方式改变，这些历史参数也可能失效。
图 4｜提高时间分辨率后，泊松拟合的检验结果怎样变？
本图没有字母子图。横轴1—3使用全部接触次数，依次按全实验、星期几、星期几加小时估计λ；4—6对应相同粒度，但一小时内同一对方只计一次。柱体区分原文所称的 Accepted 与 Rejected，表示在0.05显著性水平下未拒绝或拒绝泊松假设。它们不是预测正确与错误的比例。来源：原论文 Fig. 4。
全部接触计数下，全实验方案仅20.75%的假设未被拒绝；按星期分组后，拒绝比例降至29.65%；再细分小时，降至2.49%。对一小时内不同对方计数的方案，三种粒度的拒绝比例为75.47%、24.26%与1.31%。
去重的理由是减少长接触被记录成很多短接触的影响，但去重也改变了目标：一小时先后遇到同一个人五次，与只遇到一次，此时都计一。
这些检验需要谨慎解读。分到星期—小时后，每个时间槽只拥有约九周的重复观察，稀疏数据会影响卡方近似与检验能力；研究还把全零序列归为未拒绝。未拒绝不能反过来证明泊松分布就是唯一或真实机制，增加分组后的通过率也不直接等于预测能力提升。
留出未来两周，能准确猜中几次？
研究将主实验最后两周留下，用此前记录估计各星期—小时的泊松概率，以概率最大的次数作为预测，再与未来每小时真实次数比较。
全部接触次数下，倒数第二周正确率为97.59%，最后一周98.42%；一小时内对方去重后分别为98.24%与99.14%。这里的正确是整数次数完全相等，不是消息成功传输、接触对象正确或接触时长正确。
图 5｜高正确率对应哪一种预测？
本图没有字母子图。横轴1、2为全部接触计数的两个留出周结果，3、4为去重接触计数的两个留出周结果；柱体为次数预测完全正确与不正确的比例。纵轴从90开始，放大了小比例差异，不能只按柱体可见高度比较效果。来源：原论文 Fig. 5。
高百分比是一个有价值的初步结果，但论文没有给出永远猜零、直接重复上一周次数等基线，也没有单独报告非零接触时段的表现。如果零时段占主导，总体正确率可能掩盖对真正传输机会的漏判。
换一个环境，规律还在吗？
研究也在另一份布加勒斯特校园记录上做分布检验，该记录为22名参与者、35天；星期—小时去重计数方案的拒绝比例为0.11%。
再换到St Andrews：27名成员携带传感设备79天，探测范围约10米，每6.67秒发送发现信标，参与者被要求在城内外都携带设备。相较单一课堂环境，其活动空间更开放；相同方案拒绝比例为12.39%。
这为跨记录的可用性提供线索，但外部记录报告的是分布检验，并没有像图5一样给出未来两周次数预测正确率。因此，不能把主校园接近99%的正确率直接套到St Andrews或普通城市居民。
提前知道几次接触，离更好路由还差什么？
如果预测下一小时机会更多，设备可以继续携带消息；如果接下来机会少，可能应抓住当前机会转发。但具体选择还取决于遇见谁、对方是否接近目标、缓存容量、消息时限和能耗。
本文没有实现并比较完整预测路由协议，也没有给出相对基线的送达率、延迟或耗电改善。它支持的结论是，特定重复作息场景中的逐小时接触次数具有可利用的规则；路由收益是下一步需要检验的应用，而不是本研究已经测得的效果。
一句话总结
手机可以借助每周重复的接触节律预估下一小时有几次机会，但高次数正确率既不等于知道会遇见谁，也不自动保证消息传得更好。
核心来源
- Ciobanu, R. I. & Dobre, C.（2012）原论文，HP-MOSys ’12，9—14。本文图1—5均源自原论文。
作者介绍
- Radu Ioan Ciobanu：论文署名单位为布加勒斯特理工大学自动控制与计算机学院，本文研究人携设备接触记录与机会网络中的预测。
- Ciprian Dobre：署名同一学院，与Ciobanu共同撰写本文。以上采用论文发表时的机构身份。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
评价这种预测时，可以先把所有小时分为真实有接触与无接触，再分别检查漏掉了多少机会、提前准备却没有等到接触的情况有多少。对于一条快到期的消息，错过一次有效相遇的成本，可能远大于多开一次无线设备。
因此，合适目标未必是把逐小时次数正确率推到最高，而可能是在固定电量预算下减少错过的有效传输机会。要验证这一点，需要把接触预测接进真实的转发和能耗模型，比较最终送达与时延，而不只是比较一个容易被零时段抬高的百分比。
