好的，我们继续本次的深度探索，进入5G智能网络中一个与用户体验息息相关，且极具挑战性的分析领域——相对邻近性分析。
深度解析 3GPP TS 23.288：6.19 Relative Proximity Analytics (相对邻近性分析)
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“6.19 Relative Proximity Analytics”的核心章节。本文旨在为读者深入剖析NWDAF如何从“我在哪里？”的绝对定位，升维到“谁在我身边？”的相对关系感知，这项能力为车联网(V2X)、社交应用、以及高精度定位增强等场景打开了全新的想象空间。
在5G的世界里，知道一个物体（UE）的绝对坐标固然重要，但在很多交互密集的场景中，更关键的是知道物体之间的相对关系。例如，一辆自动驾驶汽车最关心的不是自己的经纬度，而是“我周围50米内有哪些车？它们与我的相对距离、速度和方向是多少？”。一个社交APP的用户可能想知道“我的好友中有谁现在就在我附近1公里的范围内？”。
回答这些关于“谁在我身边”的问题，正是**相对邻近性分析 (Relative Proximity Analytics)**的核心使命。NWDAF“小慧”通过这项能力，从一个独立的“定位员”，升级为了一个能够洞察群体动态的“社交关系分析师”。
场景设定：在一个繁忙的十字路口，多辆智能网联汽车（V2X UE）正在交汇通行。为了实现“上帝视角”的协同防碰撞预警，路边的RSU（路侧单元，在5G中由一个AF代表）需要实时了解其覆盖范围内所有车辆的相互位置关系。RSU向网络请求：“请告诉我，在我覆盖的这个路口范围内，所有车辆彼此之间的相对距离和动态。”
1. “群体感知”：邻近性分析的服务内容 (TS 23.288 Clause 6.19.1)
RSU（或其他消费者）在向“小慧”请求“群体感知”服务时，可以提出哪些具体的需求？6.19.1节“General”对此进行了定义。
Relative Proximity Analytics among UEs provided by NWDAF can be used to assist a consumer NF to more accurately localize a cluster (or a set) of UEs via provisioning statistics or prediction information related to their relative proximity.
“小慧”提供的服务核心是：分析和预测一组UE之间的相对空间关系。
1.1 核心请求参数
Analytics ID = "Relative Proximity": 明确咨询主题。Target of Analytics Reporting: 分析的对象，通常是“any UE”，并与一个区域绑定。Analytics Filter Information: 附加的上下文信息，用于圈定分析的范围和维度：Area of Interest (AOI): 必选项，定义了需要进行邻近性分析的地理范围，例如“XX十字路口”。an optional individual or set of direction(s) of interest: 方向过滤器。例如，只关心“由东向西”行驶的车辆群体。an optional number of UEs to be accounted for relative proximity: 邻近数量阈值。例如，“只上报周围UE数量超过5个的UE”。optionally, one or several attributes to be accounted for relative proximity: 额外的邻近属性。除了距离，还可以要求分析相对速度(velocity)、平均速度(average speed)、朝向(orientation)、移动轨迹(mobility trajectory)。
1.2 邻近性分析的两大应用方向
This analytics type may help the consumer improve the location estimation accuracy of a UE by using proximity information from nearby UEs, or it may help the consumer identify UEs in the vicinity of another UE.
规范指出了这项分析的两个主要价值：
- 识别邻近UE群体：这是最直接的应用，即回答“谁在谁身边”。RSU正是利用此能力来构建路口的动态车辆地图。
- 增强单UE定位精度：这是一个更高级的应用。如果“捷风一号”无人机在室内定位精度不足，但它通过V2X通信感知到自己距离旁边三辆车的相对位置非常精确。此时，如果网络能够提供这三辆车的高精度绝对位置，“捷风一号”就能通过解算多元方程，反推出自己的高精度绝对位置。这就是利用邻近关系来协同定位。
2. “天罗地网”：邻近性分析的数据来源 (TS 23.288 Clause 6.19.2)
要实现精准的“群体感知”，“小慧”需要布下一张“天罗地网”，从多个维度收集数据。
2.1 5GC的“基础网络”数据 (Table 6.19.2-3)
这是邻近性分析的基石，主要由5GC网络功能提供。
表格用途解读与重绘:
Table 6.19.2-3: Proximity related input data from 5GC/AF
| Information | Source | Description |
|---|---|---|
| UE ID(s) | AMF | SUPI(s) of individual UE(s). |
| UE location | AMF, GMLC | UE的绝对位置。 |
| UE location accuracy | GMLC | 上述位置的精度。 |
| Velocity estimate | LCS | UE的速度估算。 |
| UE heading | AF | UE的移动朝向（绝对/相对）。 |
| UE trajectory | AF | UE的历史或规划轨迹。 |
- AMF 提供了UE的身份和粗粒度的位置（Cell/TAI）。
- GMLC/LCS 提供了更高精度的UE绝对位置、精度和速度。这是进行相对距离计算的基础。
2.2 来自“现场”的V2X/应用层数据 (Table 6.19.2-2)
在车联网等场景中，UE之间可以直接通过PC5接口（ sidelink）进行通信，交换位置、速度等信息。这些来自应用层的第一手信息，是最高精度的相对关系数据。
表格用途解读与重绘:
Table 6.19.2-2: Proximity related input data collected via DCAF/NEF
| Information | Source | Description |
|---|---|---|
| Proximity Attribute | DCAF / NEF | 刻画UE相对邻近性的属性集。 |
| > Number of UEs | 目标UE附近的UE总数。 | |
| > Timestamp | 该邻近关系发生的时间。 | |
| > List of UE IDs | 目标UE附近具体的UE列表。 | |
| > Other attribute(s) | 其他邻近属性（如相对速度、目的地等）。 | |
| > Confidence | 该邻近性数据的置信度。 |
- DCAF (Data Collection Application Function): 在V2X场景中，可以认为车载应用（或RSU上的应用）扮演了DCAF的角色。它收集来自周围车辆通过PC5接口广播的BSM（Basic Safety Message）消息，这些消息直接包含了高精度位置、速度、朝向等信息。
- 汇总上报：DCAF将这些信息进行初步处理，例如，计算出“车辆A周围50米内有8辆车，它们的ID分别是…”，然后将这个“邻近属性集”通过网络上报给NWDAF。
2.3 OAM的辅助数据 (Table 6.19.2-1)
OAM可以提供通过MDT（Minimization of Drive Tests）收集到的单个UE的**速度(Speed)和朝向(Orientation)**信息，作为对LCS和AF数据的补充。
通过融合这三类数据，“小慧”能够构建一个极其丰富的、动态的群体拓扑视图，既有每个节点的绝对坐标（来自5GC），又有节点之间的高精度相对关系（来自应用层）。
3. “群体画像”：邻近性分析的输出 (TS 23.288 Clause 6.19.3)
在融合分析了所有输入数据后，“小慧”将输出一份关于目标群体动态关系的“画像”。
3.1 邻近性统计 (Table 6.19.3-1)
这份报告描绘了“过去一段时间群体是如何分布和移动的”。
表格用途解读与重绘:
Table 6.19.3-1: Relative proximity statistics
| Information | Description |
|---|---|
| UE group ID or set of UE IDs | 分析对象 |
| > UE proximity attributes | 观测到的邻近性数据。包括UE间的距离和6.19.1中定义的其他属性。 |
| >> relative proximity information | 观测到的邻近性信息。 |
| >> Sampling Ratio | 基于邻近性标准统计的UE百分比。 |
报告解读：RSU可能会收到这样一份统计报告：“在过去的5分钟内，XX十字路口区域，车辆之间的平均车距为15米。有90%的车辆满足了‘车距小于50米’的邻近性标准。”
3.2 邻近性预测 (Table 6.19.3-2)
这份报告则描绘了“未来群体将如何演变”，对于防碰撞等预警类应用至关重要。
表格用途解读与重绘:
Table 6.19.3-2: Relative proximity predictions
| Information | Description |
|---|---|
| > UE proximity attributes | 预测的邻近性数据。 |
| >> relative proximity information | 预测的邻近性信息。 |
| >> Confidence | 预测的置信度。 |
| Time To Collision (TTC) information | 碰撞时间信息 |
| > Time To Collision | 预计发生碰撞还需要的时间。 |
| > Confidence | 对碰撞时间预测的置信度。 |
| > Accuracy | TTC预测的精度。 |
报告解读：RSU收到一份紧急预测：“预测：车辆A和车辆B将在1.5秒后发生碰撞，置信度98%！” 收到这个高置信度的碰撞预警后，RSU可以立即通过5G网络向两辆车下发紧急制动或避让指令，从而避免一场事故的发生。
4. “协同流程”：邻近性分析的完整过程 (TS 23.288 Clause 6.19.4)
Figure 6.19.4-1: Procedure for NWDAF providing relative proximity analytics 描绘了RSU（Consumer NF/AF）请求邻近性分析的完整流程。
- AF发起请求/订阅: RSU向NWDAF请求XX十字路口的相对邻近性分析。
- NWDAF多源数据采集: “小慧”启动其“天罗地网”：
- 2-5: 向OAM订阅UE的MDT数据（如速度、朝向）。
- 6-7: 通过DCAF/NEF订阅来自UE应用层的V2X邻近性数据。
- 8: 向AMF订阅UE的粗粒度位置事件。
- 9: 向GMLC/LCS订阅UE的高精度绝对位置。
- 10: 向其他AF（如高精地图服务商）订阅UE的轨迹信息。
- NWDAF分析与推导: “小慧”将所有收集到的数据进行时空对齐和融合分析。她利用高精度的绝对位置和相对位置数据，构建出路口所有车辆的实时动态拓扑图，并通过运动学模型预测未来的轨迹和碰撞风险。
- NWDAF提供结果: “小慧”将最终的统计或预测报告（特别是高风险的TTC预警）返回给RSU。
- 持续监控与通知: 在订阅周期内，只要有新的数据（如车辆位置更新）上报，“小慧”就会持续刷新她的“群体画像”，并滚动推送最新的分析和预警。
FAQ - 常见问题解答
Q1：相对邻近性分析和传统的LCS定位有什么根本区别？ A1：根本区别在于分析的维度不同。传统LCS回答的是“单个UE的绝对位置是什么？”（一个点）。而相对邻近性分析回答的是“多个UE之间的相对关系是怎样的？”（一张动态的图）。它从关注个体升级到关注群体，从静态坐标升级到动态拓扑关系，是更高维度的位置智能。
Q2：为什么需要从AF/DCAF收集应用层数据？只用5GC网络侧的定位数据不行吗？ A2：只用网络侧数据可以实现基本的邻近性分析，但精度和实时性可能受限。网络侧定位（如LCS）本身存在一定的误差和时延。而从AF/DCAF收集的应用层数据（特别是V2X场景中通过PC5 sidelink直连通信获取的数据）具有无可比拟的优势：
- 高精度：车辆自身的GNSS+IMU（惯性测量单元）定位通常精度很高。
- 高实时性：车辆间直接通信，时延极低。
- 信息丰富：BSM消息中除了位置，还直接包含了速度、加速度、朝向、车辆尺寸等丰富信息。 将网络侧数据和应用层数据融合，是实现高精度、高可靠性邻近性分析的关键。
Q3：碰撞时间（Time To Collision, TTC）预测是如何实现的？ A3：TTC预测是NWDAF利用其收集到的数据进行运动学建模的结果。简化的模型是：
- 获取状态：NWDAF获取到车辆A和车辆B的当前位置、速度矢量（大小+方向）。
- 轨迹外推：假设两车在短时间内保持当前的运动状态（或根据其规划轨迹），NWDAF可以推算出它们在未来每一毫秒的预测位置。
- 碰撞检测：持续检查两车的预测位置是否会发生重叠（考虑到车辆的尺寸）。
- 计算时间：从当前时刻到预测发生重叠的时刻，其时间差就是TTC。 在实际模型中，还会考虑加速度、转向意图、道路拓扑等更复杂的因素，以提高预测的准确性。
Q4：这项分析对用户隐私有何影响？ A4：相对邻近性分析涉及多个用户的精确位置，因此对隐私保护提出了极高的要求。3GPP框架通过以下方式来应对：
- 严格的授权：通常只有像V2X防碰撞预警这类涉及公共安全或用户明确授权的应用，才能请求此项服务。
- 区域限制：所有分析都严格限定在特定的地理围栏（AOI）内。
- 匿名化/假名化：在某些场景下，网络可能会使用临时标识符代替用户的真实ID进行分析和上报。
- 用户控制：用户有权选择是否参与V2X服务，并随时可以退出。
Q5：除了车联网，相对邻近性分析还有哪些潜在的应用场景？ A5：
- 智能社交：寻找附近的兴趣相同的人，或者在大型集会中快速找到走散的朋友。
- 智慧零售：分析商场内顾客群体的移动轨迹和聚集模式，优化店铺布局和商品陈列。
- 疫情防控：在获得授权和保护隐私的前提下，分析人群的接触密度和风险。
- 游戏与娱乐：在大型AR游戏中，实现玩家之间的精准位置互动。
- 应急救援：在灾难现场，快速识别被困人员的聚集区域，规划最优救援路径。