移动模式预测装置和方法
【专利摘要】本发明公开了一种移动模式预测装置及方法，包括：接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID；基于所采集到的时间信息和小区ID生成或更新包括小区ID、进入时刻以及驻留时长的时空特征数据；按时间顺序存储时空特征数据作为时空特征数据序列；以及基于时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。通过基于采集间隔挖掘移动模式中的时间信息，根据本发明实施例的移动模式预测装置和方法能够有效降低历史移动模式数据的存储成本和后续移动模式预测的计算复杂度。
【专利说明】移动模式预测装置和方法
【技术领域】
[0001]本发明涉及移动通信技术，特别涉及针对移动设备的移动模式预测装置和方法。【背景技术】
[0002]随着移动通信技术和定位技术的迅速发展和广泛应用，人们开始使用各种各样的移动设备(如PDA、移动电话等)，从而产生大量的、动态增长的用户移动数据。在移动计算和无线网络中，移动设备位置预测是一个比较重要的课题，对无线网络各层协议和无线网络服务质量等都有重大影响。
[0003]通过移动模式预测，网络和终端均可以获得用户将来的位置信息，根据一定的判决准则(如距离、运动、时间等)实现基于位置的更新和寻呼，从而可以大大减少信令的开销，提高系统的有效容量，使网络能为更多的接入用户提供服务。
[0004]例如，在位置管理的切换方面，根据用户的移动模式，在相邻的某个或某几个小区中预留部分资源，并预先建立路由，可以实现快速可靠的切换，从而可显著改善网络的服务质量。
[0005]再例如，在推荐服务信息方面，通过移动模式预测获得用户将来的时空信息(包括基站小区序列信息、进入时刻、小区驻留时间)，从而可以为用户推荐各种服务信息，例如即将经过的加油站信息、交通信息、商品广告信息等。
[0006]现有的移动模式预测技术主要基于Markov (马尔可夫)链模型。图1示出了移动无线系统的信号小区模型，其中“C”作为无线信号服务小区(cell)，代表基站信号覆盖面积。在用户移动模式预测技术中，假定各个小区的工作区间相互独立。以二阶Markov为例，用户移动模式预测的原理是:给定用户最后移动过的小区序列为(Ct+Ct)，假定在T时刻用户将进入新的服务小区，那么用户选择Cn作为下个小区的概率为:
【权利要求】
1.一种移动模式预测装置，其特征在于，包括: 接收模块，用于接收以预定的时间间隔检测用户当前所在的小区而采集到的表示当前检测时刻的时间信息以及当前所在小区的小区ID ;其中，所述小区ID能够唯一标识小区；数据预处理模块，用于基于从所述接收模块输入的时间信息和小区ID生成或更新时空特征数据；其中，所述时空特征数据包括小区ID、进入时刻以及驻留时长；所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间； 存储模块，与所述数据预处理模块连接，用于按时间顺序存储从所述数据预处理模块接收到的时空特征数据,作为时空特征数据序列；以及 预测模块，与所述数据预处理模块以及所述存储模块连接，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。
2.根据权利要求1所述的移动模式预测装置，其特征在于，所述数据预处理模块包括: 存储单元，用于存储所述时空特征数据；以及 处理单元，与所述接收模块、所述存储单元以及所述存储模块连接，用于判断从所述接收模块接收到的小区ID与所述存储单元所存储的时空特征数据中的小区ID是否相同， 如果判断为相同，则将所述存储单元所存储的时空特征数据中的驻留时长增加一个所述时间间隔， 如果判断为不同，则通过将小区ID设置为所接收到的小区ID、将进入时刻设置为所接收到的时间信息、并且将驻留时长设置为O来生成一个新的时空特征数据，将所述存储单元中所存储的时空特征数据发送给所述存储模块，并将该新的时空特征数据存储在所述存储单元。
3.根据权利要求1或2所述的移动模式预测装置，其特征在于，所述预测模块包括: 驻留时长计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户在特定小区的驻留时长；以及 后续小区计算单元，用于基于所述存储模块中存储的时空特征数据序列和/或所述数据预处理模块输出的时空特征数据，估计用户离开特定小区后要进入的小区。
4.根据权利要求3所述的移动模式预测装置，其特征在于，所述预测模块还包括: 期望长度设置单元，用于设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度；以及 预测长度计算单元，用于累计所述驻留时长计算单元以及所述后续小区计算单元所预测的时间长度，并在累计结果不超过所述期望预测长度的情况下，使所述驻留时长计算单元和/或所述后续小区计算单元继续操作。
5.根据权利要求1至4中任一项所述的移动模式预测装置，其特征在于，还包括: 数据重构模块，与所述存储模块连接，用于针对所述存储模块存储的时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，并且，在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，所述数据重构模块将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长，并然后将其后一个时空特征数据删除。
6.一种移动模式预测方法，其特征在于，包括: 接收以预定的时间间隔采集到的表示当前时刻的时间信息以及标识用户当前所在小区的小区ID ;其中，所述小区ID能够唯一标识小区； 数据生成步骤，基于所采集到的时间信息和小区ID生成或更新时空特征数据，其中所述时空特征数据包括小区ID、进入时刻以及驻留时长，所述进入时刻是指用户从前一个小区进入到小区ID所标识小区的时刻，所述驻留时长是指用户从进入时刻起保持在小区ID所标识小区内的持续时间； 按时间顺序存储所述时空特征数据，作为时空特征数据序列；以及预测步骤，基于所述时空特征数据序列，至少预测用户在当前小区的驻留时长以及用户将要进入的后一个小区。
7.根据权利要求6所述的移动模式预测方法，其特征在于，所述数据生成步骤包括: 判断所采集到的小区ID与最新的时空特征数据中的小区ID是否相同， 如果判断为相同，则将所述最新的时空特征数据中的驻留时长增加一个所述时间间隔， 如果判断为不同，则通过将小区ID设置为所采集到的小区ID、将进入时刻设置为所采集到的时间信息、并且将驻留时长设置为O来生成一个新的时空特征数据。
8.根据权利要求6或7所述的移动模式预测方法，其特征在于，所述预测步骤包括: 驻留时长计算步骤，用于基于所述时空特征数据序列，估计用户在特定小区的驻留时长；以及 后续小区计算步骤，用于基于所述时空特征数据序列，估计用户离开特定小区后要进入的小区。
9.根据权利要求8所述的移动模式预测方法，其特征在于，所述预测步骤还包括: 设置期望对用户的移动模式进行预测的时间长度，作为期望预测长度； 累计通过所述驻留时长计算步骤以及所述后续小区计算步骤所预测的时间长度，作为预测长度；以及 判断所述预测长度是否不超过所述期望预测长度，并在判断为不超过的情况下继续执行所述驻留时长计算步骤和/或所述后续小区计算步骤。
10.根据权利要求6至9中任一项所述的移动模式预测方法，其特征在于，还包括: 对于所述时空特征数据序列中驻留时长在预定阈值以下的时空特征数据，将该时空特征数据的驻留时长加至其前一个时空特征数据或者其后一个时空特征数据的驻留时长，并然后将该时空特征数据删除，以及 在一个时空特征数据与其后一个时空特征数据的小区ID相同的情况下，将其后一个时空特征数据的驻留时长加至该时空特征数据的驻留时长,并然后将其后一个时空特征数据删除。
【文档编号】H04W4/02GK103974191SQ201310036220
【公开日】2014年8月6日 申请日期:2013年1月30日 优先权日:2013年1月30日
【发明者】王书强, 潘璐伽, 何诚 申请人:华为技术有限公司