好的，我们继续本次的深度探索之旅。在前序文章中，我们已经系统性地剖析了NWDAF如何进行切片负载分析、网络性能分析等面向“网络服务”的智能。今天，我们将把焦点从宏观的网络转向微观的个体，深入5G智能网络中最核心、最活跃的元素——用户（UE）。我们将开启一个庞大而关键的系列：UE相关分析。
深度解析 3GPP TS 23.288：6.7 UE related analytics (Part 1 - UE移动性分析)
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“6.7 UE related analytics”的核心章节。本文是该系列的第一部分，将聚焦于“6.7.2 UE mobility analytics”，旨在为读者详细剖析NWDAF如何化身“轨迹预测大师”，洞察和预测用户的移动模式，从而为网络资源的智能调度、用户体验的无缝保障提供“先知”般的能力。
网络因用户而存在，用户的移动性是网络必须面对的最大不确定性。一个用户下一秒会出现在哪里？他每天的通勤路线是怎样的？他是一个“静若处子”的居家办公者，还是一个“动如脱兔”的城市探险家？对这些问题的精准回答，是实现诸多网络智能化功能（如智能寻呼、资源预留、切换优化）的基础。
UE移动性分析 (UE mobility analytics) 正是NWDAF“小慧”为解答这些问题而生的核心能力之一。她通过对用户历史轨迹的学习，构建起每个用户的专属移动画像，并预测其未来的时空足迹。
场景设定：我们的新主角，“小悠”（Xiao You），是一位活跃在都市里的Vlogger。她的工作就是穿梭于城市的各个角落——从清晨的公园，到中午的美食街，再到傍晚的时尚秀场，进行4K高清视频的实时直播和内容创作。她移动模式的不可预测性，对保障其直播业务的连续性和高质量构成了巨大挑战。网络的核心任务，就是成为她“看不见的守护者”，在她到达下一个地点之前，就为她铺好一条无缝、高速的信息公路。
1. “读心术”：UE移动性分析能做什么？(TS 23.288 Clause 6.7.2.1)
当AMF（接入与移动性管理功能）想要优化对“小悠”的服务时，它需要向“小慧”提出一个清晰的“读心”请求。6.7.2.1节“General”详细规定了这份请求可以包含的内容。
NWDAF supporting UE mobility statistics or predictions shall be able to collect UE mobility related information from NF, OAM and to perform data analytics to provide UE mobility statistics or predictions.
“小慧”的核心任务是：收集UE的移动性相关信息，并基于此提供历史统计和未来预测。
1.1 核心请求参数：如何向“小慧”提问？
Analytics ID = "UE Mobility": 明确请求的主题是“UE移动性”。Target of Analytics Reporting: 明确分析的对象。可以是“小悠”的SUPI，也可以是“某签约Vlogger套餐的用户群组”的Internal Group ID。Analytics Filter Information: 这是定义“读心术”范围和深度的关键，包含多种精细化的过滤器：Area of Interest (AOI): 圈定一个宏观的分析区域，例如“朝阳区”。请求只关心“小悠”在该区域内的移动行为。Visited Area(s) of Interest (visited AOI(s)): 这是一个非常强大的时空关联过滤器。additional filter to only consider UEs that are currently (i.e. now) in the “AOI” and had previously (i.e. in the “Analytics target period”) been in at least one of the Visited AOI(s). 场景举例：网络规划部门想分析“从大学城到CBD”的通勤人流模式。他们可以发起请求：“请分析，当前在‘CBD区域’(AOI)，并且在今天早上7点到9点之间，曾经出现在‘大学城区域’(visited AOI)的所有用户的移动统计。” “小慧”通过这个过滤器，就能精准地筛选出通勤人群，并分析他们的主要路线和耗时。
Linear distance threshold: 线性距离阈值。例如，AMF可以要求：“只有当‘小悠’的移动距离超过500米时，才认为是一次需要关注的显著移动，并上报事件。” 这可以有效过滤掉原地徘徊等无意义的“抖动”。
2. “蛛丝马迹”：移动性分析的数据来源 (TS 23.288 Clause 6.7.2.2)
要练就“读心术”，“小慧”必须善于从各种“蛛丝马迹”中还原用户的完整行动轨迹。
2.1 核心网的“天网”：来自5GC的移动信息 (Table 6.7.2.2-1)
这是最基础、最核心的数据来源。
表格用途解读与重绘:
Table 6.7.2.2-1: UE Mobility information collected from 5GC
| Information | Source | Description |
|---|---|---|
| UE ID | AMF | SUPI. |
| UE locations (1..max) | AMF | UE的位置（TA或cells列表）。 |
| >UE location | UE进入的TA或cell。 | |
| >Timestamp | AMF检测到UE进入该位置的时间戳。 | |
| Fine granularity location (1…max) | LCS | 高精度的UE位置 (地理坐标)。 |
| …>Velocity estimate | 速度估算。 | |
| Type Allocation code (TAC) | AMF | 终端型号和厂商信息。 |
| Frequent Mobility Registration Update | AMF | 频繁移动性注册更新。 |
| UE access behaviour trends | AMF | UE状态转换（接入、移动、连接管理）的度量。 |
数据解读与场景应用:
- AMF的粗粒度轨迹: AMF是“小悠”移动的“第一感知者”。每当“小悠”的手机从一个TA移动到另一个TA，AMF都会记录下来。这一系列带有时间戳的
(TA ID, Timestamp)序列，构成了“小悠”的宏观移动轨迹。 - LCS的精细化轨迹: 当AMF发现“小悠”正在进行高清直播（高价值业务）时，为了更精准地预测她的下一步动向，它可以请求“小慧”启动高精度追踪。“小慧”随即调用LCS (定位服务)，获取“小悠”的实时经纬度和速度。这就像从“区级地图”切换到了“实时卫星地图”。
- TAC的辅助信息: “小慧”知道“小悠”用的是最新款手机，其基带性能更好，切换行为可能更灵敏。这会作为特征之一输入到预测模型中。
- 频繁注册更新的识别: 如果“小悠”在地铁站等信号不稳、小区频繁重选的区域，“小慧”会收到大量的
Mobility Registration Update。她需要智能地识别出这并非“小悠”在高速移动，而是一种“乒乓效应”，并可能据此建议AMF调整“小悠”的切换参数，以提升网络稳定性。
2.2 应用层的“足迹”：来自AF的服务数据 (Table 6.7.2.2-2)
“小悠”的Vlog App本身，也记录了她最真实的“创作足迹”。
表格用途解读与重绘:
Table 6.7.2.2-2: Service Data from AF related to UE mobility
| Information | Description |
|---|---|
| UE ID | 外部UE ID (GPSI)。 |
| Application ID | 应用标识。 |
| UE trajectory (1..max) | 带时间戳的UE轨迹点。 |
| >UE location | 地理区域。 |
| >Timestamp | 时间戳。 |
场景举D例： “小悠”的Vlog App有一个“足迹地图”功能。在征得“小悠”同意后，这个App（作为AF）可以将其记录的高精度轨迹数据，安全地提供给运营商的NWDAF。这份数据可能比LCS调用的数据更连续、更省电。通过“网业协同”，“小慧”获得了另一条宝贵的数据源，进一步完善了对“小悠”的移动画像。
3. “水晶球”：移动性分析的输出 (TS 23.288 Clause 6.7.2.3)
在融合了所有“蛛丝马迹”后，“小慧”就能拿出她的“水晶球”，向消费者展示“小悠”的过去与未来。
3.1 移动性统计 (Table 6.7.2.3-1)：描绘“过去”的画像
这份报告总结了用户在过去一段时间的移动模式。
表格用途解读与重绘 (节选):
Table 6.7.2.3-1: UE mobility statistics
| Information | Description |
|---|---|
| UE group ID or UE ID | 分析对象 |
| Time slot entry (1..max) | 在分析周期内的时间段列表。 |
| > Time slot start & Duration | 时间段的开始时间和持续时长。 |
| > UE location (1..max) | 在该时间段内观测到的位置统计。 |
| >> UE location | UE停留的TA/Cell或地理位置。 |
| >> Ratio | （针对群体）在该位置的UE比例。 |
报告解读：“小慧”向运营商市场部出具报告：“‘小悠’在过去一个月的工作日，上午9点到11点（Time slot），有**80%**的时间停留在‘三里屯’区域（UE location）。” 这份报告可以用于用户画像和商业分析。
3.2 移动性预测 (Table 6.7.2.3-2)：洞见“未来”的轨迹
这份报告是实现主动网络优化的关键。
表格用途解读与重绘 (节选):
Table 6.7.2.3-2: UE mobility predictions
| Information | Description |
|---|---|
| Time slot entry (1..max) | 预测的时间段列表。 |
| > UE location (1..max) | 在该时间段内预测的位置。 |
| >> UE location | 预测UE将要移动到的TA/Cell或地理位置。 |
| >> Confidence | 对此位置预测的置信度。 |
报告解读：“小慧”向AMF发送预警：“预测：在接下来的15分钟内（Time slot），‘小悠’有**90%的概率（Confidence）**会从当前的三里屯，移动到‘国贸’区域（UE location）。其中，在19:05-19:10之间，她最可能出现在Cell-ID-Guomao-North。”
4. “守护者”的行动：从预测到闭环优化的流程 (TS 23.288 Clause 6.7.2.4)
Figure 6.7.2.4-1: UE mobility analytics provided to an Analytics Service Consumer 描绘了从请求到闭环优化的完整流程。
- AMF发起订阅: 负责服务“小悠”的AMF-A，向“小慧”NWDAF发起订阅，请求获取“小悠”的移动性预测。
- NWDAF多源采集数据: “小慧”启动数据采集网络，向AMF-A订阅“小悠”的位置更新事件，并可能向GMLC/LCS或相关AF请求更精细的数据。
- NWDAF分析与预测: “小慧”将“小悠”的实时轨迹与她脑中的“历史移动模型”进行匹配，预测出她下一步最可能前往国贸区域。
- NWDAF发送预测: “小慧”将预测结果通知给AMF-A。
- 网络侧的主动协同:
- AMF-A采取行动：AMF-A得知“小悠”即将进入国贸，而国贸区域由AMF-B服务。AMF-A可以提前与AMF-B建立联系，准备进行上下文切换，减少切换时延。
- 服务无缝继承：当“小悠”进入国贸区域，切换到AMF-B后，AMF-B会发现“小悠”的上下文中包含了“正在接受NWDAF的移动性分析服务”这一信息。AMF-B会立即向服务国贸区域的NWDAF-B发起新的订阅，并通过6.1B节我们讨论过的分析上下文迁移流程，让NWDAF-B从NWDAF-A那里“继承”关于“小悠”的所有历史记忆。
通过这个无缝的“智能接力”，无论“小悠”如何移动，始终有一个“先知”般的“小慧”在为她“照亮前路”，确保网络资源总能提前一步为她的高清直播铺平道路。
FAQ - 常见问题解答
Q1：UE移动性分析和普通的手机GPS导航有什么区别？ A1：这是两个完全不同的概念。手机GPS导航是UE自己为了自身应用（如地图App）而进行的定位。而UE移动性分析是网络侧（NWDAF）为了优化网络服务而对UE的移动行为进行的分析和预测。前者是UE服务自己，后者是网络服务UE。网络侧进行移动性分析，可以实现GPS导航无法做到的事情，比如在UE到达下一个地点前，提前为他预留网络资源。
Q2：什么是“乒乓效应”（Ping-ponging），为什么NWDAF需要识别它？
A2：“乒乓效应”指UE在两个或多个小区的交界处，由于信号强度波动，导致其在这些小区之间频繁、来回地切换或重选。这会产生大量的移动性管理信令（如Mobility Registration Update），但实际上UE可能只是在原地踏步。如果NWDAF不加区分地将这些信令都视为长距离移动，就会对用户的移动模式做出完全错误的判断。因此，识别出这种“伪移动”并将其作为一种特定的“异常移动模式”来处理，对于保证分析的准确性至关重要。
Q3：输出的移动性预测，为什么是一系列“时间段（Time slot）”和对应的位置，而不是简单地给一个“下一站”的预测？ A3：因为用户的移动是一个连续的过程，而不是瞬时的跳变。提供一系列带有时间戳的位置预测，可以描绘出一条完整的、有时序的未来轨迹，这比单个“下一站”预测提供了丰富得多的信息。例如，它不仅告诉AMF“小悠”要去国贸，还告诉了“她大概什么时候出发，路上要花多长时间，什么时候到达”。这使得网络可以进行更精细化的、基于时间的资源规划和调度。
Q4：如果一个用户关闭了手机的所有定位服务，NWDAF还能对他进行移动性分析吗？ A4：可以，但精度会受限。用户关闭的通常是应用层的GPS定位权限。但只要手机还连接在蜂窝网络上，它为了正常的通信，就必须在网络中注册自己的位置，至少在TA（跟踪区）级别。因此，AMF始终能够知道UE所在的TA或Cell。NWDAF仍然可以利用这些来自AMF的、粗粒度的位置信息来进行宏观的移动性分析。当然，在这种情况下，NWDAF就无法获取LCS或AF提供的高精度地理坐标了。
Q5：UE移动性分析的结果，除了优化寻呼和切换，还有哪些应用？ A5：应用非常广泛：
- 资源预留与切片管理：预测到大量用户将聚集到某个区域，可以提前为该区域的切片增加容量。
- MEC应用调度：预测用户将移动到A区域，可以将用户正在使用的边缘应用实例，提前迁移到A区域的边缘节点上，保证低时延体验。
- 商业智能：通过对群体用户的匿名化移动性分析，可以生成城市人流热力图、通勤模式图、商业区吸引力分析等，为城市规划、商业选址、交通管理提供数据支持。
- 个性化服务：在用户同意的前提下，当预测到用户即将到达机场时，可以主动向其推送航班信息、值机柜台导航等。