In mobile computing systems, predicting the next location of a mobile wireless user has gained interest over the past decade. Location prediction may have a wide-range of application areas such as network load balancing, advertising and web page prefetching. In the literature, there exist many location predictors which are divided into two main classes: domain-independent and domain-specific. Song et al. compare the prediction accuracy of the domain-independent predictors from four major families, namely, Markov-based, compression-based, PPM and SPM predictors on Dartmouth's campus-wide Wi-Fi mobility data. As a result, the low-order Markov predictors are found as the best predictor. In another work, Bayir et al. propose a domain-specific location predictor (LPMP) as the application of a framework used for discovering mobile cell phone user profiles.In this thesis, we evaluate LPMP and the best Markov predictor with Dartmouth's campus-wide Wi-Fi mobility data in terms of accuracy. We also propose a simple method which improves the accuracy of LPMP slightly in the location prediction part of LPMP. Our results show that the accuracy of the best Markov predictor is better than that of LPMP in total. However, interestingly, LPMP yields more accurate results than the best Markov predictor does for the users with the low prediction accuracy.

Gezgin bilgi işleme sistemlerinde, hareketli bir kullanıcının sonraki yerinin kestirimi geçen on yılda ilgi topladı. Yer kestirimi ağ yük dengeleme, reklamcılık ve örün belgesi önceden getirme gibi geniş çapta uygulama alanlarında yer bulabilir. Literatürde çok sayıda yer alan kestiriciler iki ana sınıfa ayrılırlar: alandan bağımsız ve alana özgü. Song ve ark. Markov-tabanlı, sıkıştırma-tabanlı, kısmî eşleştirmeyle kestirim (PPM) ve örneklenmiş örüntü eşleştirmesi (SPM) olarak adlandırılan dört ana aileye mensup alandan bağımsız kestiricilerin kestirim doğruluklarını Dartmouth'un kampüs-çaplı Wi-Fi hareket verisi üzerinde kıyaslar. Neticesinde, düşük dereceli Markov kestiricileri en iyi kestirici olarak bulunur. Diğer bir çalışmada ise Bayır ve ark. hareketli cep telefonu kullanıcı profillerini ortaya çıkarmak için kullanılan bir çerçeve yapının uygulaması olarak alana özgü bir yer kestirici (LPMP) önermektedirler.Bu tezde, Dartmouth'un kampüs-çaplı Wi-Fi hareket verisini kullanarak LPMP ve en iyi Markov kestiricisini doğruluk açısından değerlendiriyoruz. Ek olarak, LPMP'nin doğruluğunu kısmen iyileştiren basit bir yöntemi LPMP'nin yer kestirimi kısmında öneriyoruz. Sonuçlarımız, en iyi Markov kestiricisinin doğruluğunun toplamda LPMP'ninkinden daha iyi olduğunu gösteriyor. Fakat, ilginç bir şekilde düşük kestirim doğruluğuna sahip kullanıcılarda LPMP Markov kestiricisinden daha doğru sonuçlar üretmektedir.