CN116866835A - 终端信息的预测方法、装置及网元 - Google Patents

终端信息的预测方法、装置及网元 Download PDF

Info

Publication number
CN116866835A
CN116866835A CN202210920037.0A CN202210920037A CN116866835A CN 116866835 A CN116866835 A CN 116866835A CN 202210920037 A CN202210920037 A CN 202210920037A CN 116866835 A CN116866835 A CN 116866835A
Authority
CN
China
Prior art keywords
terminal
time period
period
positioning data
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210920037.0A
Other languages
English (en)
Inventor
于航
崇卫微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to PCT/CN2023/084034 priority Critical patent/WO2023185716A1/zh
Priority to KR1020247031239A priority patent/KR20240148433A/ko
Publication of CN116866835A publication Critical patent/CN116866835A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种终端信息的预测方法、装置及网元，属于通信领域，本申请实施例的方法包括：第一网元通过位置服务LCS架构获取第一时间段内的终端定位数据；所述第一网元将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。

Description

终端信息的预测方法、装置及网元
技术领域
本申请属于通信技术领域，具体涉及一种终端信息的预测方法、装置及网元。
背景技术
网络数据分析功能(Network Data Analytics Function，NWDAF)网元，支持搜集网元或者终端相关数据，提供统计和预测等信息。NWDAF可以从接入和移动性管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session ManagementFunction，SMF)等网元或者操作管理维护(Operation Administration Maintenance，OAM)采集数据。现有流程中NWDAF获取终端的位置信息是通过AMF搜集，终端位置信息是粗粒度，如跟踪区(Tracking Area，TA)级别或小区(cell)级别，大概范围在1000m级别，即NWDAF能从AMF知道终端目前在哪个小区或者TA下。
如果NWDAF用户向NWDAF发起服务请求，请求NWDAF统计相关的信息或者给出预测，那么NWDAF会根据请求消息中的参数去向不同的网元搜集信息，在NWDAF进行统计和分析之后，返回结果给NWDAF用户。这些统计和分析的结果，可以提供给其他5GC网元用于网络优化，或者提供给第三方应用用于个性化推荐，智能交通规划等服务。
现有架构NWDAF提供的统计和预测服务精度停留在TA或cell级别，无法实现更高精度的统计和预测服务。如果NWDAF通过位置服务(LoCation Services，LCS)架构获取到了更高精度的定位信息，包括地理位置、运动速率、朝向等信息，如何利用这些信息为用户提供更精确的位置预测尚待研究。
发明内容
本申请实施例提供一种终端信息的预测方法、装置及网元，能够解决现有技术中NWDAF无法利用LCS架构的定位数据进行终端位置预测的问题。
第一方面，提供了一种终端信息的预测方法，包括：
第一网元通过位置服务LCS架构获取第一时间段内的终端定位数据；
所述第一网元将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。
第二方面，提供了一种终端信息的预测装置，包括：
获取模块，用于通过位置服务LCS架构获取第一时间段内的终端定位数据；
预测模块，用于将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。
第三方面，提供了一种第一网元，该第一网元包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，提供了一种第一网元，包括处理器及通信接口，其中，所述通信接口用于通过位置服务LCS架构获取第一时间段内的终端定位数据；所述处理器用于将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。
第五方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第六方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
第七方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤。
在本申请实施例中，第一网元通过LCS架构获取第一时间段内的终端定位数据，并根据终端定位数据对应的交通模型或监督学习模型预测未来一段时间段内的终端预测信息，提高了第一网元的服务性能，可以实现第一网元与无人机、车联网架构交互的轨迹预测，从而可以为城市公交系统提供智能交通规划。
附图说明
图1表示本申请实施例可应用的一种无线通信系统的框图；
图2表示本申请实施例提供的终端信息的预测方法的步骤流程图；
图3表示本申请实施例提供的示例一的流程图；
图4表示本申请实施例提供的示例二的流程图；
图5表示本申请实施例提供的终端信息的预测装置的结构示意图；
图6表示本申请实施例提供的第一网元的结构示意图；
图7表示本申请实施例提供的网络侧设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备，其中，接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(Mobility ManagementEntity，MME)、接入移动管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policyand Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge ApplicationServer Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home SubscriberServer，HSS)、集中式网络配置(Centralized network configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的终端信息的预测方法进行详细地说明。
如图2所示，本申请实施例还提供一种终端信息的预测方法，包括：
步骤201，第一网元通过位置服务LCS架构获取第一时间段内的终端定位数据；
可选地，本申请实施例中提及的第一网元为NWDAF网元。例如，NWDAF通过与LCS架构的接口获取到第一时间段内的终端定位数据。该终端定位数据可以是从NWDAF存放的历史定位信息，也可以是刚刚从接入和移动性管理功能(Access and Mobility ManagementFunction，AMF)或本地管理功能(Location Management Function，LMF)架构获取到的终端定位数据。该终端定位数据是较为细粒度的，即水平精度满足普通交通具体的定位要求，例如1-10m级别。
步骤202，所述第一网元将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。
作为一个可选实施例，第一时间段内的终端定位数据包括以下至少一项：
终端的标识信息，如UE ID；
终端所属组的组标识，如group UE ID；
终端的地理位置信息；
终端在当前地理位置的运动速率；
终端在当前地理位置的运动朝向；
定位的精度信息，包括水平精度和垂直精度；
时间标签(timestamp)；
定位数据的生存周期(age of location)：
指示终端处于外部区域(outdoors)或内部区域(indoors)的第一指示信息。
其中，所述外部区域包括以下至少一项：地面；室外；车外；所述内部区域包括以下至少一项：地下；室内；车内；相应的，所述第一指示信息用于指示以下至少一项：
指示终端处于地面；
指示终端处于地下；
指示终端处于室内；
指示终端处于室外；
指示终端处于车内；
指示终端处于车外。
作为一个可选实施例，所述第二时间段内的终端预测信息包括以下至少一项：
第二时间段内所述终端的位置预测信息；
第二时间段内所述终端的速率预测信息；
第二时间段内所述终端的朝向预测信息；
指示第二时间段内所述终端处于外部区域或内部区域的预测指示信息；
第二时间段内位于第二区域内的总人数；
第二时间段内位于第二区域内的终端总量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第二时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第二时间段内位于第二区域内的第一交通工具的朝向；
第二时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第二时间段内位于第二区域内具有第一朝向的终端数量；
第二时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第二时间段内位于第二区域内的总的交通工具中的一种交通工具。
需要说明的是，第一交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；第一交通工具是以下交通工具中的至少一种交通工具：步行、自行车、公交车、地铁、汽车等。
需要说明的是，第二时间段内位于第二区域内的处于第一交通环境的终端数量占比是指第二时间段内位于第二区域内的处于第一交通环境的终端数量占第二时间段内位于第二区域内的终端总量的比例。
需要说明的是，第二时间段内位于第二区域内且移动速度超过预设值的终端数量的占比是指第二时间段内位于第二区域内且移动速度超过预设值的终端数量占第二时间段内位于第二区域内终端总量的比例。
需要说明的是，第二时间段内位于第二区域内具有第一朝向的终端数量占比是指第二时间段内位于第二区域内具有第一朝向的终端数量占第二时间段内位于第二区域内终端总量的比例。
可选地，所述方法还包括：所述第一网元根据所述第一时间段内的终端定位数据，统计第一时间段内的统计信息；其中，所述第一时间段内的统计信息包括以下至少一项：
第一时间段内位于第二区域内的总人数；
第一时间段内位于第二区域内的终端总量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第一时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第一时间段内位于第二区域内的第一交通工具的朝向；
第一时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第一时间段内位于第二区域内具有第一朝向的终端数量；
第一时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第一时间段内位于第二区域内的总的交通工具中的一种交通工具。
可选地，所述第一网元为具有网络数据分析功能NWDAF的网元；
可选地，所述方法还包括：所述第一网元向所述NWDAF的用户发送所述第二时间段内的终端预测信息或所述第一时间段内的统计信息。
需要说明的是，第一时间段内位于第二区域内的处于第一交通环境的终端数量占比是指第一时间段内位于第二区域内的处于第一交通环境的终端数量占第一时间段内位于第二区域内的终端总量的比例。
需要说明的是，第一时间段内位于第二区域内且移动速度超过预设值的终端数量的占比是指第一时间段内位于第二区域内且移动速度超过预设值的终端数量占第一时间段内位于第二区域内终端总量的比例。
需要说明的是，第一时间段内位于第二区域内具有第一朝向的终端数量占比是指第一时间段内位于第二区域内具有第一朝向的终端数量占第一时间段内位于第二区域内终端总量的比例。
其中，所述外部区域包括以下至少一项：地面；室外；车外；所述内部区域包括以下至少一项：地下；室内；车内；相应的，所述预测指示信息用于指示以下至少一项：
指示终端处于地面；
指示终端处于地下；
指示终端处于室内；
指示终端处于室外；
指示终端处于车内；
指示终端处于车外。
在本申请的至少一个实施例中，在所述第一时间段内的终端定位数据包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段内的终端预测信息包括的所述预测指示信息与所述第一指示信息不同；此种情况下，交通模型或所述监督学习模型输出的预测指示信息可以称为修正的指示信息；
或者，在所述第一时间段内的终端定位数据不包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段的终端预测信息包括所述预测指示信息。
作为一个可选实施例，所述交通模型输出的第二时间段内的终端预测信息还包括：
第二时间段内所述终端的预测交通工具。
作为另一个可选实施例，所述监督学习模型输出的第二时间段的终端预测信息还包括：
第二时间段内的区域热点图；其中，所述区域热点图用于指示以下至少一项：
第二时间段内终端处于第一区域的概率；
第二时间段内终端速率的变化趋势；
第二时间段内处于第一区域内的终端数量；
第二时间段内处于第一区域内的终端数量变化趋势。
在本申请的至少一个实施例中，所述第一网元将第一时间段内的终端定位数据输入交通模型之前，所述方法还包括：
所述第一网元对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
所述第一网元根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
所述第一网元根据终端当前所在的交通环境，确定终端当前所在的交通环境对应的交通模型；
其中，所述第一网元将第一时间段内的终端定位数据输入交通模型，包括：
所述第一网元将第一时间段内满足预设条件的终端定位数据输入终端当前所在的交通环境对应的交通模型。
需要说明的是，数据过滤功能实现的是对上报的终端定位数据的正确性判断，删除错误定位数据，例如运动速率超过正常交通工具的速率(超过400km/h)，定位信息的生存周期超时，精度不满足要求，时间戳在输入数据的允许范围内等。其中，满足预设条件的终端定位数据可以理解为对第一时间段内的终端定位数据进行数据过滤删除错误定位数据后，得到的剩余终端定位数据为上述满足预设条件的终端定位数据。
例如，如果终端定位数据中提供第一指示信息，那么环境判断的过程将较为简单：如果指示处于地下，并且定位的垂直坐标出于较深位置，则判断为该终端当前的交通环境为地铁中，乘坐地铁的概率较大；如果指示出于地面以及室外，那么，并且速率为2-5km/h，则判断用户当前交通环境为步行中，步行通勤的概率较大。
再例如，如果终端定位数据中没有提供第一指示信息，那么环境判断是根据当前的地理位置、速率和朝向：如果用户的朝向长时间没有变化，并且速率持续在20-40km/h，则判断终端当前的交通环境为汽车驾驶；如果终端当前的地理位置在实际中并没有道路(住宅区、桥梁)，并且终端速率80km/h左右，那么判断终端大概率在底下乘坐地铁。
在本申请的至少一个实施例中，所述第一网元将第一时间段内的终端定位数据输入交通模型之前，所述方法还包括：
所述第一网元根据第一时间段内的定位数据对交通模型进行训练修正。
其中，所述第一网元根据第一时间段内的终端定位数据对交通模型进行训练修正，包括：
所述第一网元对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
所述第一网元根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
所述第一网元将满足预设条件的定位数据输入终端当前所在的交通环境对应的交通模型，获取所述交通模型输出的第三时间段内的终端预测信息；
所述第一网元将第三时间段内的终端预测信息与第三时间段的定位数据进行比对，并根据比对结果对交通模型进行训练修正；其中，所述第三时间段处于所述第二时间段之前。
其中，数据过滤功能实现的是对上报的终端定位数据的正确性判断，删除错误定位数据，例如运动速率超过正常交通工具的速率(超过400km/h)，定位信息的生存周期超时，精度不满足要求，时间戳在输入数据的允许范围内等。
例如，第一网元使用交通模型对未来某个固定时间的位置进行预测，将该时间的终端定位信息与预测信息进行比较，不断修正差异。如果模型差异过大，则利用该时间的终端定位信息修改交通模型。
在本申请的至少一个实施例中，所述第一网元将第一时间段内的终端定位数据输入监督学习模型，包括：
所述第一网元将满足时效要求的终端定位数据输入所述监督学习模型。
其中，所述第一网元将满足时效要求的终端定位数据输入所述监督学习模型之前，所述方法还包括：
所述第一网元利用终端的历史定位数据，训练得到所述监督学习模型；
所述第一网元根据所述满足时效要求的终端定位数据用于对所述监督学习模型的输出准确性进行验证。
可选地，所述满足时效要求的终端定位数据包括：所述第二时间段之前的终端定位数据。
本申请实施例中，NWDAF通过地理位置、速率、朝向信息判断终端所乘坐的交通环境(包括不限于步行、自行车、公交车、地铁、汽车等交通工具)，建立交通模型，并预测终端未来一段时间的位置和状态。或者，终端定位数据也可以作为数据集，在NWDAF的监督学习模型中提供预测服务，预测终端未来一段时间的位置和状态。
为了更清楚的描述本申请实施例提供的终端信息的预测方法，下面结合两个示例分别对交通模型和监督学习模型进行描述。
示例一，如图3所示：
步骤1，NWDAF通过与LCS架构的接口获取到第一时间段内的终端定位数据，并对终端定位数据进行数据过滤；
其中，数据过滤功能实现的是对终端定位数据的正确性判断，删除错误定位信息，例如运动速率超过正常交通工具的速率(超过400km/h)，定位信息的生存周期超时，精度不满足要求，时间戳在输入数据的允许范围内等。
步骤2，利用过滤后的终端定位数据对终端进行环境判断，这里的环境判断主要是指判断用户在地面还是地下，车内还是车外，结合速率和朝向信息，最终判断出用户当前所在的交通环境。
例如，如果终端定位数据中提供第一指示信息，那么环境判断的过程将较为简单：如果指示处于地下，并且定位的垂直坐标出于较深位置，则判断为该终端当前的交通环境为地铁中，乘坐地铁的概率较大；如果指示出于地面以及室外，那么，并且速率为2-5km/h，则判断用户当前交通环境为步行中，步行通勤的概率较大。并在交通模型的最终输出中，可选地提供本交通模型修正的指示信息。
再例如，如果终端定位数据中没有提供第一指示信息，那么环境判断是根据当前的地理位置、速率和朝向：如果用户的朝向长时间没有变化，并且速率持续在20-40km/h，则判断终端当前的交通环境为汽车驾驶；如果终端当前的地理位置在实际中并没有道路(住宅区、桥梁)，并且终端速率80km/h左右，那么判断终端大概率在底下乘坐地铁。并在交通模型的最终输出中，可选地提供本交通模型预测的指示信息。
步骤3，根据环境判断来选择不同的交通模型，模型不限于步行模型、自行车模型、公交车模型、地铁模型、汽车模型、自行车模型等。可选的，NWDAF的环境判断会记录用户的交通模型，在不同季节、不同时间的常适用的交通模型会在判断时作为权重因子之一。即环境判断的因子主要为：历史使用模型、当前时间、终端地理位置、速率、朝向、indoors/outdoors指示等。
其中较为复杂难以区分的模型，可以通过预设的模型参数来进行区分，比如公交车模型和汽车模型，可以通过较高精度的位置信息的实际车道来判断，也可以通过路线的重合度来判断，公交车的路线重合度较高，也可以通过单位区域内的终端数量来判断，公交车上的终端密度较大。
步骤4，将终端定位数据输入对应的交通模型；
步骤5，使用对应的交通模型对未来某个固定时间的终端信息进行预测。
步骤6，将上述时间的终端定位数据与交通模型预测的终端信息进行比对，不断修正差异。
步骤7，如果模型差异过大，则第一网元根据上述时间的终端定位数据修改交通模型。该过程中可能会对indoors/outdoors指示进行修正或者确认，并将其作为最终的输出信息发送给NWDAF的用户。
步骤8，交通模型输出给NWDAF用户所需要的未来某时间的交通工具、位置预测、速率预测、朝向预测、indoors/outdoors指示等数据。在该时间点之前，环境判断和模型优化会不断完善，使用的终端定位数据都是在该时间点之前获取到的数据。
该示例提出一种NWDAF基于LCS提供的终端定位数据来预测终端位置变化的方法，通过终端当前的速率信息，配合朝向、上报的室内室外等指示信息来联合判断终端的通勤环境，根据历史速率信息和历史停留位置信息判断用户未来一段时间的交通路线，给出合理终端轨迹预测图。
示例二，如图4所示：
步骤1，NWDAF通过与LCS架构的接口获取到第一时间段内的终端定位数据，该终端定位数据是过往的历史定位信息，可以是上周、昨天或者是1个小时之前的定位数据，这些用来训练不断完善模型准确性；
步骤2，提供的当前的终端定位数据，和步骤1中提供的定位信息不一样的地方在于时效，是上一秒或者满足时效要求的终端定位数据。步骤2中的终端定位数据用来做监督学习模型准确性的验证，同时，该终端定位数据也作为步骤3的输入信息，提供更为准确的未来一段时间的预测。
步骤3：监督学习模型输出的数据为：提供未来某个时间终端的位置、速率、以及朝向等信息，同时，也提供未来一段时间的区域热点图。输出的形式可以是：未来一段时间终端处于某个区域的概率；未来一段时间终端速率的变化趋势；未来一段时间某一区域的终端数量和趋势，终端的indoors/outdoors修正(如果步骤1提供)，终端的indoors/outdoors指示(如果步骤1没有提供)等。
本示例采用NWDAF的监督学习模型，NWDAF将收集到的定位数据，包括地理位置信息、精度信息、速率、朝向、indoors/outdoors指示等信息(包括UE处于地面还是地下、室内还是室外、车内还是车外等)，在监督学习中训练。
综上，本申请实施例中，NWDAF通过地理位置、速率、朝向信息判断终端所乘坐的交通环境(包括不限于步行、自行车、公交车、地铁、汽车等交通工具)，建立交通模型，并预测终端未来一段时间的位置和状态。或者，终端定位数据也可以作为数据集，在NWDAF的监督学习模型中提供预测服务，预测终端未来一段时间的位置和状态。
本申请实施例提供的终端信息的预测方法，执行主体可以为终端信息的预测装置。本申请实施例中以终端信息的预测装置执行终端信息的预测方法为例，说明本申请实施例提供的终端信息的预测装置。
如图5所示，本申请实施例还提供一种终端信息的预测装置500，包括：
获取模块501，用于通过位置服务LCS架构获取第一时间段内的终端定位数据；
预测模块502，用于将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。
作为一个可选实施例，所述第二时间段内的终端预测信息包括以下至少一项：
第二时间段内所述终端的位置预测信息；
第二时间段内所述终端的速率预测信息；
第二时间段内所述终端的朝向预测信息；
指示第二时间段内所述终端处于外部区域或内部区域的预测指示信息；
第二时间段内位于第二区域内的总人数；
第二时间段内位于第二区域内的终端总量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第二时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第二时间段内位于第二区域内的第一交通工具的朝向；
第二时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第二时间段内位于第二区域内具有第一朝向的终端数量；
第二时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第二时间段内位于第二区域内的总的交通工具中的一种交通工具。
可选地，所述装置还包括：统计模块，所述统计模块用于统计第一时间段内的统计信息；
其中，所述第一时间段内的统计信息包括以下至少一项：
第一时间段内位于第二区域内的总人数；
第一时间段内位于第二区域内的终端总量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第一时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第一时间段内位于第二区域内的第一交通工具的朝向；
第一时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第一时间段内位于第二区域内具有第一朝向的终端数量；
第一时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第一时间段内位于第二区域内的总的交通工具中的一种交通工具。
可选地，所述装置为具有网络数据分析功能NWDAF的网元；
可选地，所述装置还包括：发送模块，所述发送模块用于向所述NWDAF的用户发送所述第二时间段内的终端预测信息或所述第一时间段内的统计信息。
作为一个可选实施例，在所述第一时间段内的终端定位数据包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段内的终端预测信息包括所述预测指示信息，且所述预测指示信息与所述第一指示信息不同；
或者，
在所述第一时间段内的终端定位数据不包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段的终端预测信息包括所述预测指示信息。
作为一个可选实施例，所述交通模型输出的第二时间段内的终端预测信息还包括：
第二时间段内所述终端的预测交通工具。
作为一个可选实施例，所述监督学习模型输出的第二时间段的终端预测信息还包括：
第二时间段内的区域热点图；其中，所述区域热点图用于指示以下至少一项：
第二时间段内终端处于第一区域的概率；
第二时间段内终端速率的变化趋势；
第二时间段内处于第一区域内的终端数量；
第二时间段内处于第一区域内的终端数量变化趋势。
作为一个可选实施例，所述装置还包括：
第一过滤模块，用于对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
第一判断模块，用于根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
第一模型确定模块，用于根据终端当前所在的交通环境，确定终端当前所在的交通环境对应的交通模型；
其中，所述预测模块包括：
第一预测子模块，用于将第一时间段内满足预设条件的终端定位数据输入终端当前所在的交通环境对应的交通模型。
作为一个可选实施例，所述装置还包括：
训练修正模块，用于根据第一时间段内的定位数据对交通模型进行训练修正。
作为一个可选实施例，所述训练修正模块包括：
过滤子模块，用于对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
判断子模块，用于根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
获取子模块，用于将满足预设条件的定位数据输入终端当前所在的交通环境对应的交通模型，获取所述交通模型输出的第三时间段内的终端预测信息；
修正子模块，用于将第三时间段内的终端预测信息与第三时间段的定位数据进行比对，并根据比对结果对交通模型进行训练修正；其中，所述第三时间段处于所述第二时间段之前。
作为一个可选实施例，所述预测模块包括：
第二预测子模块，用于将满足时效要求的终端定位数据输入所述监督学习模型。
作为一个可选实施例，所述装置还包括：
训练模块，用于利用终端的历史定位数据，训练得到所述监督学习模型；
验证模块，用于根据所述满足时效要求的终端定位数据用于对所述监督学习模型的输出准确性进行验证。
作为一个可选实施例，所述满足时效要求的终端定位数据包括：所述第二时间段之前的终端定位数据。
作为一个可选实施例，第一时间段内的终端定位数据包括以下至少一项：
终端的标识信息；
终端所属组的组标识；
终端的地理位置信息；
终端在当前地理位置的运动速率；
终端在当前地理位置的运动朝向；
定位的精度信息；
时间标签；
定位数据的生存周期：
指示终端处于外部区域或内部区域的第一指示信息。
作为一个可选实施例，所述外部区域包括以下至少一项：地面；室外；车外；所述内部区域包括以下至少一项：地下；室内；车内；
其中，所述第一指示信息或所述预测指示信息用于指示以下至少一项：
指示终端处于地面；
指示终端处于地下；
指示终端处于室内；
指示终端处于室外；
指示终端处于车内；
指示终端处于车外。
在本申请实施例中，第一网元通过LCS架构获取第一时间段内的终端定位数据，并根据终端定位数据对应的交通模型或监督学习模型预测未来一段时间段内的终端预测信息，提高了第一网元的服务性能，可以实现第一网元与无人机、车联网架构交互的轨迹预测，从而可以为城市公交系统提供智能交通规划。
需要说明的是，本申请实施例提供的终端信息的预测装置是能够执行上述终端信息的预测方法的装置，则上述终端信息的预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本申请实施例中的终端信息的预测装置可以是电子设备，例如具有操作系统的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。
本申请实施例提供的终端信息的预测装置能够实现图1至图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
可选的，如图6所示，本申请实施例还提供一种第一网元600，包括处理器601和存储器602，存储器602上存储有可在所述处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述终端信息的预测方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种第一网元，包括处理器及通信接口，其中，所述通信接口用于通过位置服务LCS架构获取第一时间段内的终端定位数据；所述处理器用于将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型或所述监督学习模型输出的第二时间段内的终端预测信息。该第一网元也可以成为网络侧设备，该网络侧设备实施例与上述网络侧设备方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中，且能达到相同的技术效果。
具体地，本申请实施例还提供了一种网络侧设备。如图7所示，该网络侧设备700包括：天线71、射频装置72、基带装置73、处理器74和存储器75。天线71与射频装置72连接。在上行方向上，射频装置72通过天线71接收信息，将接收的信息发送给基带装置73进行处理。在下行方向上，基带装置73对要发送的信息进行处理，并发送给射频装置72，射频装置72对收到的信息进行处理后经过天线71发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置73中实现，该基带装置73包括基带处理器。
基带装置73例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图7所示，其中一个芯片例如为基带处理器，通过总线接口与存储器75连接，以调用存储器75中的程序，执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口76，该接口例如为通用公共无线接口(commonpublic radio interface，CPRI)。
具体地，本发明实施例的网络侧设备700还包括：存储在存储器75上并可在处理器74上运行的指令或程序，处理器74调用存储器75中的指令或程序执行图5所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述终端信息的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述终端信息的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述终端信息的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (32)

1.一种终端信息的预测方法，其特征在于，包括：
第一网元通过位置服务LCS架构获取第一时间段内的终端定位数据；
所述第一网元将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型、所述监督学习模型输出的第二时间段内的终端预测信息。
2.根据权利要求1所述的方法，其特征在于，所述第二时间段内的终端预测信息包括以下至少一项：
第二时间段内所述终端的位置预测信息；
第二时间段内所述终端的速率预测信息；
第二时间段内所述终端的朝向预测信息；
指示第二时间段内所述终端处于外部区域或内部区域的预测指示信息；
第二时间段内位于第二区域内的总人数；
第二时间段内位于第二区域内的终端总量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第二时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第二时间段内位于第二区域内的第一交通工具的朝向；
第二时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第二时间段内位于第二区域内具有第一朝向的终端数量；
第二时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第二时间段内位于第二区域内的总的交通工具中的一种交通工具。
3.根据权利要求2所述的方法，其特征在于，
在所述第一时间段内的终端定位数据包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段内的终端预测信息包括的所述预测指示信息与所述第一指示信息不同；
或者，
在所述第一时间段内的终端定位数据不包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段的终端预测信息包括所述预测指示信息。
4.根据权利要求2所述的方法，其特征在于，所述交通模型输出的第二时间段内的终端预测信息还包括：
第二时间段内所述终端的预测交通工具。
5.根据权利要求2所述的方法，其特征在于，所述监督学习模型输出的第二时间段的终端预测信息还包括：
第二时间段内的区域热点图；其中，所述区域热点图用于指示以下至少一项：
第二时间段内终端处于第一区域的概率；
第二时间段内终端速率的变化趋势；
第二时间段内处于第一区域内的终端数量；
第二时间段内处于第一区域内的终端数量变化趋势。
6.根据权利要求1所述的方法，其特征在于，所述第一网元将第一时间段内的终端定位数据输入交通模型之前，所述方法还包括：
所述第一网元对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
所述第一网元根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
所述第一网元根据终端当前所在的交通环境，确定终端当前所在的交通环境对应的交通模型；
其中，所述第一网元将第一时间段内的终端定位数据输入交通模型，包括：
所述第一网元将第一时间段内满足预设条件的终端定位数据输入终端当前所在的交通环境对应的交通模型。
7.根据权利要求1所述的方法，其特征在于，所述第一网元将第一时间段内的终端定位数据输入交通模型之前，所述方法还包括：
所述第一网元根据第一时间段内的定位数据对交通模型进行训练修正。
8.根据权利要求7所述的方法，其特征在于，所述第一网元根据第一时间段内的终端定位数据对交通模型进行训练修正，包括：
所述第一网元对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
所述第一网元根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
所述第一网元将满足预设条件的定位数据输入终端当前所在的交通环境对应的交通模型，获取所述交通模型输出的第三时间段内的终端预测信息；
所述第一网元将第三时间段内的终端预测信息与第三时间段的定位数据进行比对，并根据比对结果对交通模型进行训练修正；其中，所述第三时间段处于所述第二时间段之前。
9.根据权利要求1所述的方法，其特征在于，所述第一网元将第一时间段内的终端定位数据输入监督学习模型，包括：
所述第一网元将满足时效要求的终端定位数据输入所述监督学习模型。
10.根据权利要求9所述的方法，其特征在于，所述第一网元将满足时效要求的终端定位数据输入所述监督学习模型之前，所述方法还包括：
所述第一网元利用终端的历史定位数据，训练得到所述监督学习模型；
所述第一网元根据所述满足时效要求的终端定位数据用于对所述监督学习模型的输出准确性进行验证。
11.根据权利要求9或10所述的方法，其特征在于，所述满足时效要求的终端定位数据包括：所述第二时间段之前的终端定位数据。
12.根据权利要求1-11任一项所述的方法，其特征在于，第一时间段内的终端定位数据包括以下至少一项：
终端的标识信息；
终端所属组的组标识；
终端的地理位置信息；
终端在当前地理位置的运动速率；
终端在当前地理位置的运动朝向；
定位的精度信息；
时间标签；
定位数据的生存周期：
指示终端处于外部区域或内部区域的第一指示信息。
13.根据权利要求2或12所述的方法，其特征在于，所述外部区域包括以下至少一项：地面；室外；车外；所述内部区域包括以下至少一项：地下；室内；车内；
其中，第一指示信息或预测指示信息用于指示以下至少一项：
指示终端处于地面；
指示终端处于地下；
指示终端处于室内；
指示终端处于室外；
指示终端处于车内；
指示终端处于车外。
14.根据权利要求1-11任一项所述的方法，其特征在于，所述方法还包括：
所述第一网元根据所述第一时间段内的终端定位数据，统计第一时间段内的统计信息；其中，所述第一时间段内的统计信息包括以下至少一项：
第一时间段内位于第二区域内的总人数；
第一时间段内位于第二区域内的终端总量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第一时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第一时间段内位于第二区域内的第一交通工具的朝向；
第一时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第一时间段内位于第二区域内具有第一朝向的终端数量；
第一时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第一时间段内位于第二区域内的总的交通工具中的一种交通工具。
15.根据权利要求1、2或14所述的方法，其特征在于，
所述第一网元为具有网络数据分析功能NWDAF的网元；
所述方法还包括：
所述第一网元向所述NWDAF的用户发送所述第二时间段内的终端预测信息或所述第一时间段内的统计信息。
16.一种终端信息的预测装置，其特征在于，包括：
获取模块，用于通过位置服务LCS架构获取第一时间段内的终端定位数据；
预测模块，用于将第一时间段内的终端定位数据输入交通模型或监督学习模型，获取所述交通模型、所述监督学习模型输出的第二时间段内的终端预测信息。
17.根据权利要求16所述的装置，其特征在于，所述第二时间段内的终端预测信息包括以下至少一项：
第二时间段内所述终端的位置预测信息；
第二时间段内所述终端的速率预测信息；
第二时间段内所述终端的朝向预测信息；
指示第二时间段内所述终端处于外部区域或内部区域的预测指示信息；
第二时间段内位于第二区域内的总人数；
第二时间段内位于第二区域内的终端总量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量；
第二时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第二时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第二时间段内位于第二区域内的第一交通工具的朝向；
第二时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量；
第二时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第二时间段内位于第二区域内具有第一朝向的终端数量；
第二时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第二时间段内位于第二区域内的总的交通工具中的一种交通工具。
18.根据权利要求17所述的装置，其特征在于，
在所述第一时间段内的终端定位数据包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段内的终端预测信息包括所述预测指示信息，且所述预测指示信息与所述第一指示信息不同；
或者，
在所述第一时间段内的终端定位数据不包括指示终端处于外部区域或内部区域的第一指示信息的情况下，所述第二时间段的终端预测信息包括所述预测指示信息。
19.根据权利要求17所述的装置，其特征在于，所述交通模型输出的第二时间段内的终端预测信息还包括：
第二时间段内所述终端的预测交通工具。
20.根据权利要求17所述的装置，其特征在于，所述监督学习模型输出的第二时间段的终端预测信息还包括：
第二时间段内的区域热点图；其中，所述区域热点图用于指示以下至少一项：
第二时间段内终端处于第一区域的概率；
第二时间段内终端速率的变化趋势；
第二时间段内处于第一区域内的终端数量；
第二时间段内处于第一区域内的终端数量变化趋势。
21.根据权利要求16所述的装置，其特征在于，所述装置还包括：
第一过滤模块，用于对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
第一判断模块，用于根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
第一模型确定模块，用于根据终端当前所在的交通环境，确定终端当前所在的交通环境对应的交通模型；
其中，所述预测模块包括：
第一预测子模块，用于将第一时间段内满足预设条件的终端定位数据输入终端当前所在的交通环境对应的交通模型。
22.根据权利要求16所述的装置，其特征在于，所述装置还包括：
训练修正模块，用于根据第一时间段内的定位数据对交通模型进行训练修正。
23.根据权利要求22所的装置，其特征在于，所述训练修正模块包括：
过滤子模块，用于对第一时间段内的终端定位数据进行数据过滤，获取满足预设条件的定位数据；
判断子模块，用于根据满足预设条件的定位数据以及终端历史使用模型对终端进行环境判断，确定所述终端当前所在的交通环境，所述交通环境包括：步行、自行车、公交车、地铁、汽车中的至少一项；
获取子模块，用于将满足预设条件的定位数据输入终端当前所在的交通环境对应的交通模型，获取所述交通模型输出的第三时间段内的终端预测信息；
修正子模块，用于将第三时间段内的终端预测信息与第三时间段的定位数据进行比对，并根据比对结果对交通模型进行训练修正；其中，所述第三时间段处于所述第二时间段之前。
24.根据权利要求16所述的装置，其特征在于，所述预测模块包括：
第二预测子模块，用于将满足时效要求的终端定位数据输入所述监督学习模型。
25.根据权利要求24所述的装置，其特征在于，所述装置还包括：
训练模块，用于利用终端的历史定位数据，训练得到所述监督学习模型；
验证模块，用于根据所述满足时效要求的终端定位数据用于对所述监督学习模型的输出准确性进行验证。
26.根据权利要求24或25所述的装置，其特征在于，所述满足时效要求的终端定位数据包括：所述第二时间段之前的终端定位数据。
27.根据权利要求16-26任一项所述的装置，其特征在于，第一时间段内的终端定位数据包括以下至少一项：
终端的标识信息；
终端所属组的组标识；
终端的地理位置信息；
终端在当前地理位置的运动速率；
终端在当前地理位置的运动朝向；
定位的精度信息；
时间标签；
定位数据的生存周期：
指示终端处于外部区域或内部区域的第一指示信息。
28.根据权利要求17或27所述的装置，其特征在于，所述外部区域包括以下至少一项：地面；室外；车外；所述内部区域包括以下至少一项：地下；室内；车内；
其中，第一指示信息或预测指示信息用于指示以下至少一项：
指示终端处于地面；
指示终端处于地下；
指示终端处于室内；
指示终端处于室外；
指示终端处于车内；
指示终端处于车外。
29.根据权利要求16-25任一项所述的装置，其特征在于，所述装置还包括：
统计模块，所述统计模块用于统计第一时间段内的统计信息；
其中，所述第一时间段内的统计信息包括以下至少一项：
第一时间段内位于第二区域内的总人数；
第一时间段内位于第二区域内的终端总量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量；
第一时间段内位于第二区域内的处于第一交通环境的终端数量占比；
第一时间段内位于第二区域内的处于第一交通环境的终端的平均移动速度；
第一时间段内位于第二区域内的第一交通工具的朝向；
第一时间段内位于第二区域内的第一交通工具中具有相同朝向的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量；
第一时间段内位于第二区域内且移动速度超过预设值的终端数量占比；
第一时间段内位于第二区域内具有第一朝向的终端数量；
第一时间段内位于第二区域内具有第一朝向的终端数量占比；
所述第一交通工具是第一时间段内位于第二区域内的总的交通工具中的一种交通工具。
30.根据权利要求16、17或29所述的装置，其特征在于，
所述装置为具有网络数据分析功能NWDAF的网元；
所述装置还包括：
发送模块，所述发送模块用于向所述NWDAF的用户发送所述第二时间段内的终端预测信息或所述第一时间段内的统计信息。
31.一种第一网元，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至15任一项所述的终端信息的预测方法的步骤。
32.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-15任一项所述的终端信息的预测方法的步骤。
CN202210920037.0A 2022-03-28 2022-08-01 终端信息的预测方法、装置及网元 Pending CN116866835A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2023/084034 WO2023185716A1 (zh) 2022-03-28 2023-03-27 终端信息的预测方法、装置及网元
KR1020247031239A KR20240148433A (ko) 2022-03-28 2023-03-27 단말 정보의 예측 방법, 장치 및 네트워크 요소

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210314449X 2022-03-28
CN202210314449 2022-03-28

Publications (1)

Publication Number Publication Date
CN116866835A true CN116866835A (zh) 2023-10-10

Family

ID=88225520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210920037.0A Pending CN116866835A (zh) 2022-03-28 2022-08-01 终端信息的预测方法、装置及网元

Country Status (1)

Country Link
CN (1) CN116866835A (zh)

Similar Documents

Publication Publication Date Title
US20190208449A1 (en) Mobile edge platform servers and device and message management methods of v2x service thereof
CN105139641B (zh) 一种基于WiFi中继站的车辆调度方法及系统
US9532240B2 (en) Mobile communication system, quality control method, and monitoring control device
US11102630B2 (en) Method for service placement in a multi-access/mobile edge computing (MEC) system
CN111556441B (zh) 用于移动终端的接入网络小区的方法及装置
CN105813086B (zh) 目标网络覆盖检测方法及系统
US20140258474A1 (en) Controlling data collection interval of m2m device
CN104794889A (zh) 用于推送订单的方法和设备
US9271175B2 (en) Wireless quality collecting device, wireless quality collecting method, and computer-readable recording medium
WO2022012485A1 (zh) 一种确定无线接入策略的方法及装置
US20200400773A1 (en) Multimodal location sensing on a mobile phone
JP6551999B2 (ja) ユーザの移動対象物を推定する装置、プログラム及び方法
CN116866835A (zh) 终端信息的预测方法、装置及网元
JP6223302B2 (ja) 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法
WO2023185716A1 (zh) 终端信息的预测方法、装置及网元
EP4167602A1 (en) Method and apparatus for determining intimate contact with terminal device
CN113453334A (zh) 定位方法及定位装置
KR20200040451A (ko) 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램
WO2023159488A1 (en) Methods and apparatuses for sensing area identification
CN116388840B (zh) 用户终端的卫星与地面通信分流接入方法、装置和存储介质
CN116867059A (zh) 信息传输方法及网元
CN112911516B (zh) 无线基地台行进轨迹生成方法及系统
WO2023213135A1 (zh) 一种数据分析方法、装置及系统
US20230099718A1 (en) Information processing device, information processing system, and storage medium
CN101772158B (zh) 一种wimax网络中实现周期定位的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination