51学通信

深度解析 3GPP TS 23.288：6.21 Movement Behaviour Analytics (运动行为分析)

17分钟阅读

好的，我们继续本次的深度探索，进入5G智能网络中一个极具未来感和挑战性的领域——运动行为分析。

深度解析 3GPP TS 23.288：6.21 Movement Behaviour Analytics (运动行为分析)

本文技术原理深度参考了3GPP TS 23.288 V18.9.0 (2025-03) Release 18规范中，关于“6.21 Movement Behaviour Analytics”的核心章节。本文旨在为读者深入剖析NWDAF如何从简单的“你在哪”的定位，升维到分析“你怎么动”的运动行为模式，这项能力为智慧交通、城市规划、智能广告推送等场景提供了强大的数据引擎。

在前面的章节中，我们已经探讨了NWDAF如何进行UE移动性分析（6.7.2），那更多关注的是UE在不同小区/TA之间的“宏观”移动轨迹和驻留模式。而运动行为分析 (Movement Behaviour Analytics) 则更进一步，它聚焦于UE在特定区域内的微观运动特征，如数量、方向、速度等，旨在描绘出一幅动态的“群体运动热力图”。

如果说UE移动性分析是在绘制一张“城市间的迁徙图”，那么运动行为分析则是在用“高倍显微镜”观察一个十字路口的人流车流动态。

场景设定：某智慧城市交通管理中心（由一个AF代表），需要实时监控市中心最繁忙的“人民广场”区域的人群流动情况，以实现智能信号灯配时、人流拥挤预警和公共交通的动态调度。为此，它向NWDAF“小慧”发起了“人群运动行为分析”的请求。

1. “群体动力学”：运动行为分析的服务内容 (TS 23.288 Clause 6.21.1)

交通管理中心在向“小慧”请求分析时，具体关心哪些指标？6.21.1节“General”对此进行了定义。

The movement behaviour analytics provides analytics information (statistics or predictions) regarding e.g. the number, direction and velocity of UEs during an analytics target period in a target area.

“小慧”的核心任务是：分析和预测在特定时间、特定区域内，UE群体的数量、方向和速度等运动行为特征。

1.1 核心请求参数

  • Analytics ID = "movement behaviour": 明确分析主题。
  • Target of Analytics Reporting: 分析对象，通常是 “any UE”，因为它关注的是群体行为而非个体。
  • Analytics Filter Information:
    • Area of Interest (AOI): 必选项，定义了需要分析的地理范围，例如“人民广场”区域（可以通过地理坐标、形状或TA/Cell ID列表来描述）。
    • preferred granularity of location information: 精度要求，可以要求到“longitude and latitude level”的精细粒度。
    • preferred orientation of location information: 方向维度，可以要求分析“水平(horizontal)”移动，“垂直(vertical)”移动（例如，商场内的上下楼），或两者都要。

2. “多源感知”：运动行为分析的数据来源 (TS 23.288 Clause 6.21.2)

为了绘制这幅精细的“群体运动热力图”，“小慧”需要融合来自不同数据源的“传感器”信息。Table 6.21.2-1 列出了她的核心数据来源。

The NWDAF collects the UE location and velocity information within the area of interest from the sources listed in Table 6.21.2-1.

表格用途解读与重绘:

Table 6.21.2-1: Data collection by NWDAF for “movement behaviour” analytics

InformationSourceDescription
UE IDAMFSUPI
UE locations (1..max)AMFUE的位置（TA或Cell ID）
>UE locationUE进入的TA或Cell
>TimestampUE进入该位置的时间戳
Fine granularity locations (1…max)LCS (NOTE 1)高精度的UE位置信息
…>Location estimate地理坐标或本地坐标
…>Velocity estimate速度和方向信息
…>Indoors/outdoor indication室内/室外指示

这份输入数据清单揭示了“小慧”进行运动行为分析的数据融合策略：

  1. 来自AMF的粗粒度数据：AMF提供了UE在小区（Cell）和跟踪区（TA）级别的移动事件。这为“小慧”提供了一个基础的、宏观的用户分布和移动框架。例如，她知道在过去5分钟内，有多少用户进入了覆盖“人民广场”的几个小区。

  2. 来自LCS的高精度数据：这是实现精细化运动行为分析的关键。当需要分析具体的移动方向和速度时，粗粒度的Cell ID信息是远远不够的。“小慧”必须调用LCS (定位服务)，获取UE的高精度地理坐标和速度矢量。

    NOTE 1: The procedure to collect location data using LCS is described in clause 6.2.12.

    这意味着，运动行为分析功能是建立在6.2.12节定义的LCS数据采集流程之上的。NWDAF会向GMLC发起定位请求，以获取群体中样本UE的精确位置和速度。

通过将AMF提供的“面”数据与LCS提供的“点”数据相结合，“小慧”就能从宏观和微观两个层面，全面掌握目标区域内的人群动态。

3. “运动热力图”：运动行为分析的输出 (TS 23.288 Clause 6.21.3)

在对收集到的数据进行统计和建模后，“小慧”将输出一份直观的“运动热力图”。这份报告同样分为统计和预测两种。

3.1 运动行为统计 (Table 6.21.3-1)

这份报告回答了“过去一段时间，人群是如何运动的？”

表格用途解读与重绘:

Table 6.21.3-1: movement behaviour statistics

InformationDescription
Applicable Area分析应用的地理区域
> Total number of UEs该区域内的UE总数
> Ratio of moving UEs该区域内移动UE的占比
> Average speed所有UE的平均速度
> Speed threshold (1…max)用于筛选高速移动UE的速度阈值
>> Number of UEs速度超过阈值的UE数量
>> Ratio速度超过阈值的UE占比
> Direction (1…max)UE的主要移动方向（如东、南、西、北）
>> Number of UEs在特定方向上移动的UE数量
>> Average speed在特定方向上移动UE的平均速度

报告解读： 交通管理中心可能会收到这样一份报告：“统计报告：在过去的10分钟内，人民广场区域：

  • 总人流量（UE总数）为 5,200人。
  • 其中，移动人群占比85%。
  • 人群平均移动速度为 1.2 m/s。
  • 有350人的移动速度超过了3 m/s（可能是在跑步或骑行）。
  • 主要人流方向为由南向北，该方向上有约2,100人，平均速度为1.5 m/s。”

3.2 运动行为预测 (Table 6.21.3-2)

这份报告则对未来进行预测，对于拥堵预警等场景至关重要。其结构与统计报告类似，但所有指标都变成了预测值，并增加了最关键的置信度(Confidence)。

报告解读： 交通管理中心收到一份预警：“预测报告：预计未来15分钟内，人民广场区域的总人流量将上升至8,000人，由南向北方向的人流将激增至4,500人，平均速度将下降至0.5 m/s，表明即将发生高度拥挤。此预测的置信度为93%。”

收到这份高置信度的预警后，交通管理中心可以立即采取措施，例如：调整周边路口的信号灯时长，引导人流；增派警力进行疏导；通过广场大屏幕发布预警信息；调度更多公交车或地铁班次在附近站点待命。

4. “分析流程”：运动行为分析的完整过程 (TS 23.288 Clause 6.21.4)

Figure 6.21.4-1: "Movement Behaviour" analytics provided by NWDAF 描绘了从请求到报告的完整流程。

  1. AF发起请求/订阅: 交通管理中心AF向NWDAF发起请求，要求对“人民广场”区域进行运动行为分析。
  2. NWDAF采集粗粒度数据: “小慧”首先向覆盖该区域的AMF发起事件订阅，获取进入该区域的UE列表和宏观移动事件。这是她的“基础情报网”。
  3. NWDAF采集高精度数据: 为了获取精细的方向和速度信息，“小慧”进一步向GMLC/LCS发起定位请求，对样本UE进行高精度定位和测速。这是她的“精确制导雷达”。
  4. NWDAF分析与推导: “小慧”将AMF的宏观数据和LCS的微观数据进行融合。她运用统计学方法计算出当前的人群分布、速度和方向分布；同时，她可能还会利用时间序列预测模型或更复杂的流体力学仿真模型，来预测未来的人群动态演变。
  5. NWDAF提供结果: “小慧”将最终的统计报告或预测预警，通过Notify或Request response消息，交付给交通管理中心AF。

通过这个流程，5G网络真正成为了智慧城市的“中枢神经系统”，能够实时感知城市的“脉搏”和“人流涌动”，并为城市的智能管理提供决策支持。

FAQ - 常见问题解答

Q1：运动行为分析(Movement Behaviour Analytics)和UE移动性分析(UE Mobility Analytics, 6.7.2)有什么关键区别？ A1：关键区别在于分析的粒度和焦点：

  • UE移动性分析 更关注个体或群体的宏观、历史性轨迹。它回答的问题是“一个UE过去常去哪里？未来可能去哪里？”，输出的是一系列带有时间戳的位置点（TA/Cell），更像是一张“行程记录”或“出行计划”。
  • 运动行为分析 更关注特定区域内群体的微观、实时动态特征。它回答的问题是“此时此刻，这个区域里的人群在如何移动？”，输出的是该区域在某个时间点的聚合状态（总数、速度分布、方向分布），更像是一张“实时动态快照”。

Q2：进行运动行为分析需要对区域内的所有UE都进行高精度定位吗？这是否现实？ A2：不需要，也不现实。对区域内所有UE进行高精度的LCS定位会带来巨大的信令风暴和功耗问题。在实际操作中，NWDAF会采用智能采样的策略。它会根据统计学原理，从区域内的总人群中，智能地选取一部分有代表性的样本UE进行高精度定位。然后，通过对这些样本的运动行为进行分析，来推断和估计整个群体的宏观运动行为。例如，通过对100个样本UE的测速，来估算区域内数千人的平均速度。

Q3：垂直方向(vertical)的运动行为分析有什么应用场景？ A3：垂直方向的运动行为分析在多层建筑场景中极具价值：

  • 大型商场：分析顾客在不同楼层之间的流动模式（例如，人们更倾向于从1楼去3楼，还是去B1层），优化电梯/扶梯的调度策略和商铺的楼层布局。
  • 交通枢纽：在大型机场或火车站，分析旅客在出发层、到达层、换乘层之间的流动，进行客流引导和拥挤预警。
  • 智慧楼宇：分析办公楼内员工在高峰时段（如午餐时间）的垂直移动模式，实现电梯的智能派梯，减少等待时间。

Q4：这项分析如何保护用户隐私？ A4：由于这项分析处理的是高度敏感的位置信息，隐私保护是重中之重。规范框架通过以下方式确保隐私：

  • 群体匿名性：该分析的本质是群体行为分析，其输出结果（如平均速度、总人数）是经过聚合和匿名化处理的，不暴露任何单个用户的信息。
  • 用户同意：底层的LCS定位服务，尤其是由网络发起的商业定位，严格遵循用户同意原则。
  • 数据脱敏：NWDAF在内部处理数据时，可以采用多种数据脱敏技术，确保即使是中间数据也不会泄露个人隐私。
  • 消费者授权：只有经过运营商严格授权的消费者（如政府交通管理部门、楼宇管理者等）才能请求此项服务。

Q5：这项分析的结果可以用来做什么样的商业应用？ A5：

  • 智能广告：根据特定区域（如商业街）的人流方向和速度，动态调整沿街广告牌上显示的内容。例如，向迎面走来的人群推送更具吸引力的广告。
  • LBS（基于位置的服务）增强：为打车应用提供区域内“实时人流热力图”和“人群去向预测”，帮助司机更智能地寻找潜在乘客。
  • 城市规划：通过对城市关键区域进行长期的运动行为分析，为道路规划、公共交通线路设置、商业区选址等提供数据驱动的决策支持。
  • 零售分析：分析进入商店的顾客的移动轨迹、在不同货架前的停留时间，优化商品陈列和店内布局。

关系图谱