深度解析 3GPP TS 23.273：5.16 & 5.16A NWDAF与LCS的“双向奔赴”：当AI遇上定位

本文技术原理深度参考了3GPP TS 23.273 V18.9.0 (2025-03) Release 18规范中，关于“5.16 Location services assisted by NWDAF”和“5.16A Network data analytics assisted by LCS”的核心章节。本文将这两节内容合并解读，旨在为读者系统性地揭示5G网络中数据分析功能（AI/ML的大脑）与定位服务（LCS）之间深刻的、双向赋能的共生关系。

1. 序章：智慧场馆的“鹰眼”挑战

想象一下，我们正处在一个刚刚落成的、全球领先的5G智慧体育场馆中。场馆内，一场国际顶级赛事正在激烈进行。我们的主角，不再是设备，而是一位名叫“小杰”的王牌体育摄影师。他肩扛着一台支持5G连接的超高清摄像机，在广阔的看台、走廊、VIP包厢和媒体中心之间快速移动，捕捉着赛场上的每一个精彩瞬间。

场馆的“智能导播系统”（我们故事中的 LCS客户端/AF）需要实现一项革命性的功能：根据所有摄像师的实时精准位置，自动、智能地切换最佳机位，为全球亿万观众带来沉浸式的观赛体验。然而，挑战是巨大的：

1. 环境复杂性：体育场馆是典型的混合环境，有露天区域、半开放的看台（带有顶棚），以及全室内的走廊和房间。GNSS信号时有时无，无线环境复杂多变。
2. 精度要求高：导播系统需要知道小杰的位置精确到米级，甚至需要判断他是“在玻璃窗内”还是“在阳台上”，以便做出正确的镜头语言判断。
3. 动态性强：小杰为了追逐运动员的步伐，移动轨迹毫无规律，对定位系统的实时性和预测性提出了极高要求。

传统的定位方法在这种场景下常常力不从心。这时，5G核心网的“AI大脑”——NWDAF (Network Data Analytics Function)，便应召登场。本篇文章将跟随小杰的步伐，看NWDAF与LCS系统如何上演一场精彩的“双向奔赴”，共同打造智慧场馆的“鹰眼”系统。

2. 第一幕：NWDAF 助阵 LCS (5.16 Location services assisted by NWDAF)

故事的第一个方向，是NWDAF如何扮演“军师”的角色，帮助LCS（定位服务）做出更明智的决策。当智能导播系统向网络发起对小杰摄像机的高精度定位请求时，LMF（定位管理功能）遇到了难题。

LMF：“目标（小杰）当前位于场馆C区，这里既有露天看台，也有室内休息室。我应该用基于GNSS的室外定位方法，还是用基于Wi-Fi/UWB的室内定位方法？选错了，精度和功耗都会出问题。”

在传统模式下，LMF可能会根据一些简单的规则（如当前服务小区的类型）进行猜测，或者同时尝试多种方法，效率低下。但在5G中，LMF有了一个更聪明的选择——向NWDAF求助。

LMF and AMF may utilize analytics from NWDAF to assist with location services as described in clause 6.21.

这段原文明确了LMF和AMF可以利用来自NWDAF的分析能力来辅助定位服务。NWDAF提供的“弹药”主要有两种。

2.1 弹药一：位置精度分析 (Location Accuracy Analytics)

这是LMF最需要的智能输入。

NWDAF may provide Location Accuracy analytics as specified in clause 6.17 of TS 23.288 to LMF. When LMF receives analytics for Location Accuracy from the NWDAF, it may use the analytics to determine indoor or outdoor for a location estimate, to select or adjust appropriate positioning methods for the requested location accuracy.

NWDAF像一位经验丰富的老法师，它虽然不直接参与本次定位计算，但它“知晓过去，洞察未来”。通过长期学习和分析网络中海量的历史数据，NWDAF构建了复杂的机器学习模型。它可以提供如下的智能分析结果：

• 室内/室外概率判断：NWDAF可以根据小杰当前所连接的小区ID、TAI、接收信号强度（RSRP）、信噪比（SINR）等一系列无线测量指标，结合历史数据模型，给出一个概率判断：“目标有85%的可能性处于室内环境”。
• 定位方法推荐与精度预测：更进一步，NWDAF可以告诉LMF：“根据我的分析，在当前这个位置和无线环境下，使用‘UL-TDOA’方法的预期精度可以达到1.5米，而启动GNSS的成功率可能低于30%。建议优先使用UL-TDOA。”

场景推演： LMF将小杰当前的无线环境信息（如Cell ID, RSRP等）打包，向NWDAF发起了一次Nnwdaf_AnalyticsInfo_Request。

NWDAF的AI模型开始运转，它调取了历史数据库中无数个与小杰当前情况相似的数据点，发现：

• 历史上，所有连接到这个小区的UE，只要RSRP低于-95dBm，最终都被证实位于室内。
• 在该区域，历史上的UL-TDOA定位成功率高达98%，平均精度1.8米。

NWDAF将这份宝贵的分析报告——位置精度分析 (Location Accuracy Analytics)——返回给LMF。LMF收到报告后豁然开朗，果断放弃了尝试GNSS的念头，直接启动了高精度的UL-TDOA定位流程，高效地获得了满足导播系统要求的位置结果。

2.2 弹药二：UE移动性分析 (UE Mobility Analytics)

NWDAF的第二种能力主要提供给AMF。

NWDAF may provide UE related mobility analytics as specified in clause 6.7 of TS 23.288 to AMF. The UE location information received in analytics can be used by AMF to perform the UE location verification for NR satellite access.

虽然规范在这里主要以NR卫星接入的场景为例，但其能力是通用的。UE移动性分析可以预测UE接下来的移动趋势。

场景延伸： 假设小杰正在看台边缘拍摄，而智能导播系统已经预设了下一个关键镜头是在球员通道入口。NWDAF通过分析小杰过去半小时的移动模式（总是在赛场边缘和球员通道之间往返），以及当前赛事的进程，可以预测出：“小杰在未来2分钟内，有70%的概率会向球员通道移动”。

这份**UE移动性分析 (UE Mobility Analytics)**报告会提供给AMF。AMF可以利用这份信息做很多事情，例如：

• 预先资源准备：如果预测小杰将移动到另一个基站覆盖下，AMF可以提前与目标基站进行信息交互，为可能的切换做好准备，保证定位服务的连续性。
• 智能LMF选择：如果预测小杰将进入一个由另一个LMF服务的区域，AMF可以提前进行LMF的重新选择和上下文切换准备。

通过NWDAF的这两种分析能力，5G定位系统从一个“被动响应者”进化成了一个具备“预判能力”的“主动规划者”。

3. 第二幕：LCS 赋能 NWDAF (5.16A Network data analytics assisted by LCS)

故事来到第二个方向。NWDAF这位“军师”自身的成长，也离不开“前线”——LCS系统——源源不断地输送炮弹（数据）。NWDAF的机器学习模型不是凭空产生的，它需要海量的、真实的、高质量的位置数据来进行训练和推理。

此时，场馆的另一个智能应用——“个性化球迷体验App”登场了。它的目标是分析场馆内的人流热点，为不同区域的球迷推送专属的优惠券、球员互动信息等。这个App的后台，正是NW-DAF。

NWDAF may interact with the LCS system to request location information for a target UE or a group of UEs via Ngmlc services or NL9.

这段原文明确了角色的反转：NWDAF现在成为了LCS服务的请求者，它像一个普通的AF一样，通过标准的Ngmlc服务接口或NL9参考点，向GMLC发起定位请求。

3.1 NWDAF的特殊数据需求

与导播系统不同，NWDAF对位置数据的需求有其独特性：

• 批量与匿名性：它通常不关心“小杰”这一个体的精确轨迹，而是关心“C区看台这500人”的整体移动趋势。因此，它会发起针对**一组UE（a group of UEs）**的定位请求。出于隐私考虑，这些数据在上报给NWDAF之前，可能需要进行匿名化或假名化处理。

• 历史与聚合性：NWDAF进行分析，往往需要一个时间窗口内的数据，而不仅仅是一个瞬时快照。

  NWDAF may request an aggregated report for a single UE from GMLC to include multiple UE location estimates for a period of time.

  这意味着NWDAF可以向GMLC请求一份“聚合报告”，比如：“请提供小杰过去15分钟内，每分钟一次的位置记录汇总”。GMLC在收到这个请求后，会将其转化为一个针对UE的周期性定位任务，并将收集到的多次结果汇总后一次性发给NWDAF。

• 时效性要求：数据分析任务通常有其处理的截止时间。

  NWDAF may also provide a reporting time to indicate the latest time for reporting.

  NWDAF可以在请求中包含一个“报告时间”，告诉GMLC：“我需要在下午3点前拿到这份人流分析报告，请在此之前完成数据收集并上报给我”。这使得GMLC可以更好地规划和调度网络资源。

场景推演： “个性化球迷体验App”的后台NWDAF，为了分析中场休息时的人流走向，向GMLC发起了如下请求：

• 目标：场馆内所有订阅了“球迷体验服务”的用户群组（Group ID: Fans-Group-A）。
• 请求类型：聚合报告。
• 时间窗口：从中场休息开始（15:45）到休息结束（16:00）。
• 采样频率：每分钟一次。
• 报告截止时间：16:05。

GMLC接收到这个来自NWDAF的“大数据订单”后，会为该群组内的每一个UE（包括小杰的摄像机）启动一个后台的、低优先级的周期性定位任务。在16:00之后，GMLC将收集到的所有位置数据进行处理（可能包括匿名化），并打包成一份详尽的分析报告，在16:05之前提交给NWDAF。NWDAF据此分析出，大部分球迷流向了东区的餐饮部，于是立即向该区域的用户推送了“中场休息，炸鸡半价”的优惠券。

4. 总结：AI与定位的共生与进化

通过5.16和5.16A这两个章节，3GPP为我们描绘了一幅AI与定位深度融合、协同进化的美好蓝图。这不再是单向的“辅助”，而是一场真正的“双向奔赴”：

• LCS → NWDAF：提供数据养料。 定位系统作为最直接、最可靠的UE时空数据来源，为NWDAF的AI模型提供了源源不断的“养料”。没有真实、海量的位置数据，网络数据分析就是无源之水。
• NWDAF → LCS：提供智能决策。 NWDAF通过对历史数据的深度学习，将原始数据提炼为具有指导意义的“智能”，反哺给定位系统。它帮助LMF在复杂的环境中做出最优的决策，帮助AMF更好地进行移动性管理，从而让每一次定位都更精准、更高效、更节能。

这个完美的闭环，使得5G定位服务具备了自我学习和自我优化的能力。随着网络运行时间的增长，NWDAF的分析模型会越来越精准，它为LCS提供的决策支持也会越来越有价值；而LCS在NWDAF的指导下能实现更优的定位，这又会产生更高质量的数据，进一步提升NWDAF的模型能力。

对于小杰和千千万万的5G用户而言，这意味着他们所享受的定位服务将变得越来越“聪明”和“体贴”。这正是5G技术超越前几代，真正迈向智能化网络时代的坚实一步。

---

FAQ - 常见问题解答

Q1：NWDAF和LMF在定位中都涉及“计算”，它们的核心区别是什么？ A1：它们的计算范畴和目标完全不同。LMF是“实时几何解算器”，它的任务是在一次具体的定位会话中，根据实时的无线测量值（如TDOA, AOA），通过几何或统计算法，解算出UE当前这一个点的精确坐标。它关心的是“此时此刻”的精度。而NWDAF是“离线统计分析师”，它不参与实时的位置解算。它的任务是通过分析海量的历史数据，发现规律和模式，提供统计性的、具有预测性质的“智能建议”。它关心的是“一般情况下”的概率和趋势。

Q2：NWDAF是如何获取它用于训练模型的海量历史定位数据的？ A2：主要通过两种方式：1) 主动请求：正如5.16A所描述，NWDAF可以作为一个LCS客户端，主动向GMLC发起针对单个或群体UE的历史位置数据请求。2) 数据订阅与采集：5G核心网的其他NF（如AMF, SMF）在运行过程中会产生大量包含位置信息（如Cell ID）的事件和数据，NWDAF可以从这些NF订阅和采集这些数据，并与LMF提供的高精度定位结果进行关联，从而构建起丰富的训练数据集。

Q3：NWDAF请求和使用UE的位置信息，是否存在隐私风险？ A3：存在，但3GPP架构对此有严格的控制。首先，NWDAF发起定位请求也必须经过GMLC，而GMLC会执行与普通LCS客户端完全一样的隐私检查流程，查询UDM中用户的隐私设置。如果用户禁止，请求同样会被拒绝。其次，NWDAF用于数据分析的通常是群体性、匿名化或假名化之后的数据，以脱敏的方式来研究宏观规律，而不是针对个体进行追踪。运营商在部署NWDAF时，必须遵守当地的隐私保护法规（如GDPR）。

Q.4：Location Accuracy Analytics（位置精度分析）是实时生成的吗？ A.4：不是。Location Accuracy Analytics是NWDAF基于其预先训练好的机器学习模型生成的统计性预测。当LMF发起请求时，NWDAF是将实时输入（如Cell ID, RSRP）喂给这个已存在的模型，模型迅速输出一个预测结果。这个过程非常快，但它不是实时地去测量网络，而是基于历史“经验”的“推断”。模型的训练过程才是耗时良久的离线任务。

Q5：5.16A中提到的NL9和Ngmlc接口有什么区别？为什么NWDAF两者都可以用？ A5：Ngmlc是GMLC提供的标准服务化接口，任何经过授权的NF（包括NWDAF）都可以通过它来请求定位服务。NL9则是专门定义为NWDAF与GMLC之间交互的参考点，可以看作是为NWDAF这个“特殊客户”开辟的专用通道。两者在功能上可能有重叠，但NL9可能承载了更多与数据分析任务相关的特定参数（如聚合报告的详细定义等）。规范允许两者皆可，为网络部署提供了灵活性。