51学通信

深度解析 3GPP TS 29.552：5.7.21 Movement Behaviour Analytics (移动行为分析)

20分钟阅读

好的，我们继续深入5.7节，探索‘洞察者’(Insight-AI)关于移动性分析的另一项重要能力。在前文中，我们探讨了如何预测单个UE的轨迹（5.7.6 UE Mobility Analytics）和分析群体之间的相对远近（5.7.20 Relative Proximity Analytics）。现在，我们将把视角聚焦于一个地理区域内，用户群体的宏观移动行为模式，看看‘洞察者’是如何扮演一位“城市交通规划师”，来洞察和预测人群的宏观流动趋势的。

深度解析 3GPP TS 29.552：5.7.21 Movement Behaviour Analytics (移动行为分析)

本文技术原理深度参考了3GPP TS 29.552 V18.7.0 (2024-12) Release 18规范中关于“5.7.21 Movement Behaviour Analytics”的核心章节，旨在为读者详细拆解NWDAF是如何通过分析一个区域内用户群体的整体移动行为，来提供关于人群流动方向、速度和分布的宏观洞察，从而为网络资源规划、公共服务和商业智能提供关键决策支持。

前言：从“个体轨迹”到“人群潮汐”

城市中的人流，如同潮汐，有着其内在的规律。早高峰时，人潮从四面八方的居住区涌向CBD；晚高峰时，又从CBD流向各个娱乐和生活区域。理解和预测这种宏观的“人群潮汐”，对于城市管理者、商业规划者和网络运营商都具有巨大的价值。

我们之前讨论的UE移动性分析（5.7.6），更侧重于个体，回答“张三要去哪里？”。而我们今天要探讨的移动行为分析（Movement Behaviour Analytics），则侧重于群体，回答“这个区域里的人群，整体上在朝哪个方向、以多快的速度移动？”。

它不再关注每一个“水滴”的精确轨迹，而是关注由无数水滴汇聚而成的“水流”的宏观特征。这项分析能力，使得‘洞察者’(Insight-AI)能够：

  • 描绘区域人流动线: 识别出一个商场内的主要客流动线，或一个城市的主要通勤走廊。

  • 预测网络负载的移动: 预测到一大群用户正在从基站A的覆盖范围，高速移动向基站B，基站B可以提前做好资源准备，迎接即将到来的“话务洪峰”。

  • 赋能智慧交通与商业: 为交通信号灯的智能配时、公交线路的动态调度、商家户外广告的精准投放等提供数据支持。

在“未来科技博览会”的场景中，展会闭馆前一小时，大量参观者将开始离场，涌向地铁站和停车场。为了应对这次集中的、大规模的人群疏散，展会的安保与调度中心（作为AF）需要实时了解人群的宏观疏散方向和速度。为此，它向‘洞察者’发起了“移动行为分析”的请求。

本文将深入5.7.21节的信令流程，看看“城市交通规划师”‘洞察者’是如何完成这次对“人群潮汐”的精准把脉的。

1. 任务简报：解码“人群潮汐”的参数

这项分析的目标是，为一个特定的地理区域，提供该区域内用户群体的整体移动行为分析，包括位置、方向和速度。

规范原文引用 (Clause 5.7.21 Introduction):

This procedure is used by the NWDAF service consumer e.g. NEF or AF to obtain Movement Behaviour Analytics provided by NWDAF regarding the location, direction and velocity of UEs during an analytics target period in a target area.

‘洞察者’解读道：“要预测一场‘散场’的人流，我不需要知道每个人的名字和精确路线。我只需要像气象雷达图一样，描绘出这片‘人流云’的整体移动方向、速度和密度。”

  • 分析对象: 一个由areaOfInterest定义的地理区域内的所有UE（或一个特定的UE群体）。

  • 情报来源: 与邻近性分析类似，位置信息是核心，但更侧重于动态变化。

    • AMF: 提供最基础的用户位置变更事件，是构建人群流动的基础数据。

    • GMLC: 提供更高精度的位置信息，使得分析结果可以更精确地映射到地理地图上。

  • 分析ID: MOVEMENT_BEHAVIOUR

  • 输出 (MovementBehaviourInfo): 分析结果是描述群体行为的统计性参数：

    • location: 群体所在的区域。

    • direction: 群体移动的主方向（例如，东北方向）。

    • velocity: 群体移动的平均速度。

2. 行动方案：解构移动行为分析的信令流程

规范中的 “Figure 5.7.21-1: Procedure for Movement Behaviour Analytics” 描绘了该流程。其数据收集阶段与之前的移动性相关分析非常相似。

阶段一：任务启动 (步骤1)

展会安保与调度中心（AF）向‘洞察者’发起订阅：“请为博览会展馆区域，每5分钟提供一次人群的整体移动方向和速度分析。”

步骤1a-1c：AF发起订阅

AF通过Nnwdaf_EventsSubscription_Subscribe发起请求，analyticsId为MOVEMENT_BEHAVIOUR，eventFilter中包含了areaOfInterest（整个展馆区域）。

阶段二：汇集海量“足迹点” (步骤2 - 5)

这是为区域内的所有UE进行群体定位的过程。

步骤2a-3b：从AMF获取群体位置变更

规范原文引用 (Step 2a-2b):

If the event is set to “MOVEMENT_BEHAVIOUR”…, the NWDAF may invoke Namf_EventExposure_Subscribe service operation…to subscribe to the notification of UE ID and UE positions.

  • 动作: ‘洞察者’向服务于该区域的AMF(s) 发起Namf_EventExposure_Subscribe订阅。

  • 订阅内容: “请上报该区域内所有UE的位置变更事件。” （targetOfEventReporting可以设置为anyUeInArea）。

  • 信息流 (3a-3b): AMF会持续地将区域内发生的位置更新事件上报给‘洞察者’。这会形成一个巨大的、匿名的“时空数据流”。

步骤4a-5b：从GMLC获取更精确的坐标

规范原文引用 (Step 4a-4b):

The NWDAF may invoke Ngmlc_Location_ProvideLocation service operation to retrieve UE Fine granularity locations…

为了提升分析的地理精度，‘洞察者’可以周期性地或按需地向GMLC请求对区域内部分采样UE进行更高精度的定位。

阶段三：“人流云”的矢量分析与交付 (步骤6 - 7)

规范原文引用 (Step 6):

The NWDAF derives the Movement Behaviour Analytics based on the data collected from AMF and/or GMLC.

海量的、匿名的UE位置点（[UE_ID, timestamp, location]）汇集到了‘洞察者’的分析引擎中。

  1. 分析计算 (Step 6): AnLF的“城市交通规划师”开始进行复杂的群体行为建模：

    • 构建矢量场: 在每个时间切片（例如，5分钟），分析引擎会计算出每个UE的移动矢量（[速度, 方向]）。通过对区域内所有UE的移动矢量进行聚合和平均，就可以构建出该区域的**“人流矢量场”**。

    • 识别主趋势: 通过对矢量场进行分析（例如，主成分分析），可以提取出人群移动的主方向和平均速度。

    • 场景: 在闭馆前一小时，‘洞察者’分析发现，展馆内的人流矢量场呈现出两个清晰的主方向：一个指向东南方的“地铁站”出口，平均速度为3公里/小时；另一个指向西北方的“停车场”出口，平均速度为2.5公里/小时。

  2. 生成分析报告: ‘洞察者’生成了一份宏观的“人流疏散态势图”：

    • location: 博览会展馆区域。

    • direction_1: 东南。

    • velocity_1: 3 km/h。

    • direction_2: 西北。

    • velocity_2: 2.5 km/h。

    • 还可以包含更丰富的信息，如各方向的人流密度、预测未来15分钟的拥堵点等。

  3. 交付洞察 (Step 7a-7c): ‘洞察者’将这份报告通过_Notify服务，交付给展会的安保与调度中心AF。

闭环完成: 安保与调度中心收到这份清晰的态势图后，立即采取行动：

  1. 智能引导: 在通往地铁站的沿途大屏上，显示“前往地铁站预计需要15分钟”，并增派工作人员进行人流疏导。

  2. 资源预置: 在西北方的停车场出口，提前安排更多的接驳车。

  3. 网络资源协同: 将这份信息共享给网络优化团队，后者可以主动地对地铁站和停车场沿线的基站进行资源扩容和参数优化（这个过程称为网络资源适配），确保离场观众的通信顺畅。

总结：宏观视角下的网络资源“随人动”

5.7.21节的移动行为分析，与5.7.12节的离散度分析共同构成了NWDAF对群体时空行为分析的完整能力集，但各有侧重：

  • 离散度分析：更关注静态的空间分布，回答“人在哪，是聚是散？”。

  • 移动行为分析：更关注动态的时空演变，回答“人要去哪，有多快？”。

这项能力的核心价值在于，它为实现网络资源的预测性、跟随意图的动态分配提供了最直接的宏观依据。

  • 赋能预测性网络优化: 传统的网络优化，往往是基于历史话务模型。而移动行为分析，提供了一种实时、前瞻的视角。网络资源不再是被动地等待话务的到来，而是可以“看到”话务的移动趋势，并提前做出反应，实现真正的“资源追随用户”。

  • 提升重大事件保障能力: 对于演唱会、体育赛事、节日庆典等场景下的人群疏散和转移，这项分析能力可以为网络的动态扩容、应急通信保障提供无与伦比的态势感知能力。

  • 跨行业数据赋能: 与离散度分析类似，宏观的人群移动趋势数据，对于智慧交通、城市规划、商业智能等领域同样具有巨大的应用价值。运营商可以通过NEF，将这种经过匿名化、聚合后的分析能力，安全、合规地开放给行业客户。

移动行为分析，让“智慧大脑”拥有了绘制“城市人流热力图”和“网络负载迁徙图”的能力。它将网络资源的管理，从基于静态小区和历史话务的传统模式，提升到了基于实时人群动态和未来趋势的智能化、预测性新范式。

在下一篇文章中，我们将探讨5.7节中最后一个与移动性相关的分析——5.7.22 Location Accuracy Analytics (定位精度分析)，看看‘洞察者’是如何对其自身或网络LCS的定位能力进行“自我评估”和“自我优化”的。

FAQ 环节

Q1：移动行为分析（5.7.21）和UE移动性分析（5.7.6）有什么本质区别？

A1：本质区别在于分析的主体和输出的粒度。

  • UE移动性分析 (5.7.6): 分析主体是单个UE。它输出的是关于这个UE的个性化、具体的轨迹和预测。它是一个“微观”分析。

  • 移动行为分析 (5.7.21): 分析主体是一个区域内的群体。它输出的是关于这个群体的统计性、宏观的移动趋势（如主方向、平均速度）。它是一个“宏观”分析，不包含任何单个UE的信息。

Q2：这项分析如何保护用户隐私？

A2：这项分析在设计上就具有良好的隐私保护特性，因为它天然地工作在聚合和匿名的数据上。

  1. 数据聚合: NWDAF在分析时，处理的是区域内成千上万个UE的位置点，它关心的是这些点构成的“云”的整体移动，而不是任何一个特定的点。

  2. 结果匿名: 最终输出的结果（方向、速度）是关于群体的统计量，完全不包含任何可识别的个人信息。

  3. 用户授权: 即便如此，其底层的数据收集（如从AMF获取位置）仍然需要遵循用户授权（User Consent）的原则。运营商在用户协议中需要告知用户，其匿名的位置数据可能会被用于网络优化和群体统计分析。

Q3：分析出的“方向”和“速度”是单一的值吗？

A3：规范定义的输出是单一的direction和velocity，但这通常指的是**“主趋势”**。一个优秀的NWDAF实现，其输出的MovementBehaviourInfo数据结构可以更丰富，例如：

  • 多模态输出: 可以输出多个方向和速度的组合，并给出每个方向的人流密度占比。例如，“70%的人群正以3km/h的速度流向A方向，30%的人群正以5km/h的速度流向B方向”。

  • 矢量场数据: 对于高级的消费者（如专业的城市交通仿真平台），NWDAF甚至可以直接输出该区域的“人流矢量场”网格数据，提供最原始、最丰富的宏观移动信息。

Q4：这项分析结果的主要消费者是谁？

A4：消费者非常广泛，涵盖了网络内部和外部。

  • 网络内部:

    • RAN（无线接入网）/SON（自组织网络）: 可以根据预测的人群移动方向，主动地为即将迎来人流的小区准备切换资源（Predictive Handover），或调整负载均衡策略。

    • PCF/SMF: 可以根据人群移动趋势，预测网络切片或DNN的负载将在不同区域之间转移，从而进行动态的策略调整。

  • 网络外部 (通过NEF):

    • 交通管理部门: 用于智能信号灯控制、交通拥堵预测和疏导。

    • 商业地产/零售商: 用于分析商场客流动线，优化店铺布局和广告投放。

    • 公共安全部门: 用于大型活动的人流监控和应急疏散管理。

Q5：这项分析的准确性如何保证？如果区域内只有少数几个用户，分析还有意义吗？

A5：准确性依赖于两个关键因素：

  1. 位置数据精度: 使用GMLC提供的高精度位置，会比仅使用AMF的小区级位置，得到更准确的方向和速度分析。

  2. 用户样本密度: 这是统计学的基础。如果一个区域内只有少数几个用户，那么分析出的“平均”移动行为是没有统计学意义的，甚至可能泄露这几个用户的隐私。因此，NWDAF在执行这项分析时，内部通常会有一个**“最小用户数”**的门限。只有当区域内的用户样本数量足够大（例如，超过某个阈值），分析结果才会被认为是可信的并被输出。对于用户稀疏的区域，NWDAF可能会返回一个“数据不足，无法分析”的结果。

关系图谱