Para la optimización y evaluación del rendimiento de las redes móviles ad hoc, un acto beneficioso pero desafiante es derivar del comportamiento del movimiento nodal la función de densidad espacial en estado estacionario de las ubicaciones nodales sobre un área finita dada. Sin embargo, dicha derivación suele ser intratable cuando no se cumple ninguna suposición del modelo de movilidad básico, por ejemplo, cuando el área de movimiento tiene una forma irregular. Como primer intento, abordamos este problema de derivación de densidad para el modelo clásico de movilidad de punto de destino aleatorio sobre polígonos convexos irregulares que incluyen triángulos (es decir, 3-gonos) y cuadriláteros (es decir, 4-gonos). Al mezclar múltiples distribuciones de Dirichlet, primero diseñamos una red neuronal de densidad de mezcla adaptada para la aproximación de densidad sobre triángulos y luego extendemos este modelo para acomodar cuadriláteros convexos. Los resultados experimentales muestran que nuestro modelo de mezcla de Dirichlet (DMM) puede capturar con precisión la irregularidad de las distribuciones de densidad de verdad en el suelo con bajo costo de entrenamiento, superando notablemente al modelo clásico de mezcla gaussiana (GMM).