1.一种基于用户属性的终端发现方法，其特征在于，包括以下步骤：S1、根据用户之间是否存在直接交互行为，得到用户之间的信任关系，找出请求用户对应的可信任用户集合；

S2、根据信任用户的日常行进轨迹，利用多阶马尔科模型预测用户的移动轨迹，得到信任用户未来某一时刻的预测位置信息；

1 2 K k

所述多阶马尔可夫模型包括：将一天划分为K个时间段：D ,D ,…,D ，每个时间段D对应k k

于区域M中具有M个位置的特定马尔可夫链，即每个时间段D都存在特定的马尔可夫链P 与之对应；两个时间段之间的位置转换采用一阶马尔可夫链来模拟，两个时间段之间的位置k k

转换由转换内核P表示，用户在时间段D期间访问的位置取决于下一个访问的位置，且不同k

位置之间的转换概率遵循内核P；

所述利用多阶马尔科模型预测用户的移动轨迹包括以下步骤：S21、通过APP获得用户的移动轨迹；

S22、采用吉布斯采样方法对缺失的轨迹T进行恢复，更新恢复的轨迹R和转换内核P，得到恢复轨迹后的完整轨迹；

采用吉布斯采样方法对缺失的轨迹T进行恢复，包括以下步骤：S221、首先，根据用户的历史访问位置数据对APP收集的不完整移动轨迹进行随机补全缺失点，得到初始恢复轨迹；

S222、根据得到的初始恢复轨迹计算状态转移概率；

S223、使用狄利克雷Dirichlet分布来对转移概率进行建模，并对转移概率进行采样；

S224、根据贝叶斯理论计算缺失点与某一位置的相似概率，选取相似概率最大的位置作为缺失点的位置补全点；

S225、重复步骤S224进行多次迭代，最终得到完整轨迹以及转换内核；

S23、根据用户的移动轨迹将人的移动建模为有限且可数的状态空间，表示为在M区域存在M个状态；

S24、建立一个M×M的矩阵，矩阵中的元素即为用户上一时间段的状态，用Pij表示从状态i到状态j的概率；

S25、在进行移动性预测时，若用户当前时间段处于位置i，计算从状态i到其他各个位置的概率，从中选取最大值Pij，将最大概率值Pij所对应的位置j作为下一时间段用户的预测移动位置；

S3、请求用户根据信任用户未来某一时刻的预测位置信息设置探测探测信标发射功率，用户在不断移动变化过程中，根据请求用户与可信任用户的距离调整探测探测信标发射功率；

所述根据请求用户与可信任用户的距离调整探测探测信标发射功率包括：根据用户未来某一时刻的预测位置信息，计算未来某一时刻请求用户与信任用户之间的距离d1，则请求设备将探测信标发射功率调整为：其中，Pt表示探测信标发射功率，fc表示载波频率，Prsen表示接收灵敏度，GT表示发射天线的增益，GR表示接收天线的增益，c表示光速，d为在下一位置时请求用户与可信任用户之间的距离；

上式基于以下假设：假设可信任用户下一时间段的位置将发生变化，假设所有用户的移动速率相同为v，用户此时与下一时刻位置之间的距离为dp，用户在各位置之间不作停留，且用户的移动轨迹均为直线。