本发明涉及无线通信数据分析
技术领域：
，特别是指lte网络中的一种基于s1-mme数据的快速移动用户高精度判别方法。
背景技术：
：随着移动通信网络技术的发展，尤其是lte网络技术的普及和应用，终端用户对网络质量和业务体验的要求越来越高。网络优化重点也随之从传统的网络设备、参数优化角度转移、聚焦于针对用户群体体验进行的优化；而对于具有不同移动性特征的用户群体的判别成为进行用户感知分析和提升的基础。传统路测的优化方式不仅成本投入高，优化周期长，而且无法实时有效的反映目标场景、目标用户群体的业务质量和感知水平，已经不具备用于准实时、端到端业务分析的条件。现有大数据分析技术通过常规的覆盖交通路线的基站小区集合，结合预判用户mr(lte测量报告数据)与cdr(lte呼叫详细记录)数据进行占用小区初步筛选，再进行相关交通路线上用户的判别。目前具有以下局限：1、现有判别算法利用用户mr(lte测量报告数据)或cdr(lte呼叫详细记录)数据进行小区信息提取，结合常规的覆盖交通路线的小区集合，得到占用覆盖交通路线小区的用户。然后采用以下两种方式判别：1)汇总预判用户占用的所有覆盖交通路线的小区数量，当占用小区数量超过覆盖交通路线的小区集合总数量一定比例门限(如60％)时，即认为该用户为符合条件的用户。2)根据预判用户占用的覆盖交通路线的小区集合，选出若干个重点位置小区(如高铁站、高速入口、隧道、出入ta边界等小区)，通过小区(主要为重点位置小区)距离、用户信息上报时间判断速度满足条件的用户。对于方法1)，现有判断项为覆盖交通路线的小区占比，因此只对用户高频率使用覆盖交通路线的小区且使用小区数量较多的情况下较为准确；另外为了使用户判别尽量准确，针对交通路线上不同的统计分析区间(如不同省份、不同地市、不同县区等)需单独设定不同的比例。该方法整体判断准确性较低，门限设定的固定性和单一性极易对交通路线上用户造成漏判和误判；且设定固定值较多，后期更新维护工作量大。对于方法2)，在方法1)的基础上有一定改进，但现有判别算法对交通路线上重点位置的小区的确定仍然基于人工判断。比如高铁重点小区为人工筛选出的高铁站等小区，高速公路重点小区为人工筛选出的高速公路入口、高速公路服务站等小区，以及交通路线途经的隧道覆盖、交通路线在出入ta等边界的重点小区，然后以标签打孔的形式进行整个交通路线的加强判别。该方法虽然准确性有一定提升，但整体用户判别仍然受限于其对重点位置小区的使用，或者将占用覆盖交通路线小区较少的用户排除在外，或者对两种快速交通路线相邻的情况(如出高铁站后沿着相邻高速行驶等情况)无法有效判别。同时交通路线上重点位置小区的确定仍需人工操作，后期更新维护工作量大。2、现有判别算法对预判用户移动速度的计算多采用以下两种方式进行处理：1)通过占用的覆盖交通路线小区间距与两个小区时间差(秒级精度)相比的方式进行计算。因覆盖交通路线的小区分布于路线沿线周围，距离交通路线中心线距离远近不一，小区间距即小区与小区之间的直线距离(或路程距离)不能真实模拟用户沿实际交通路线的移动轨迹和距离，直接导致计算的预判用户移动速度存在较大偏差，移动轨迹判断不准。2)通过三角定位、mr&cdr数据机器学习等方法进行预判用户位置估算后，利用估算的在交通路线上的用户位置间距与位置时间差相比进行计算。该类方法引入大数据分析处理及机器学习评估，对于资源需求较高；且目前agps等算法定位精度不足，在小区密集程度较高区域，或存在较多乒乓接入区域，产生较大误差。技术实现要素：有鉴于此，本发明提出一种基于s1-mme数据的快速移动用户高精度判别方法，其通过地理化的交通路线信息、覆盖交通路线的小区集合以及lte系统s1-mme数据等三种数据对快速移动用户进行筛选和判别，算法复杂度低，识别准确率高。基于上述目的，本发明提供的技术方案是：一种基于s1-mme数据的快速移动用户高精度判别方法，其通过采集、分析在lte移动通信网络中覆盖一条交通路线的基站小区集合内的用户s1-mme数据，判别用户是否在该条交通路线上行驶移动，判别过程包括以下步骤：步骤一，获取一定时间内预判用户占用覆盖交通路线的基站小区s1-mme数据，所述预判用户s1-mme数据包括每次占用的基站小区以及每次占用的时间点；若在所述一定时间内对于同一基站小区有多次占用，则仅考虑第一次占用产生的数据信息；步骤二，结合所述交通路线的地理信息以及基站小区的地理分布情况，根据最初占用的基站小区和最后占用的基站小区估算预判用户在交通路线上的行经距离，并判断行经距离是否大于预设的阈值；若大于阈值，则根据行经距离、最初占用的基站小区到最后占用的基站小区的时间差，以及交通路线的常规行驶速度，判别用户是否在该交通路线上行驶；步骤三，若步骤二未判别出用户在交通路线上行驶，则分为三种情况进行处理：若预判用户占用基站小区为2个或3个，则结束判断，并以步骤二的判断结果为最终结果；若预判用户占用基站小区为4个，则按照步骤四所述的方式做进一步的判断；若预判用户占用基站小区不少于5个，则按照步骤五所述的方式做进一步的判断；步骤四，按照时间顺序从预判用户占用的最后一个基站小区开始向前进行倒序滑窗循环判别，直至有一次滑窗判别的输出结果为是，则判定用户在该交通路线上行驶，并结束判断；若没有任何一次滑窗判别的输出结果为是，则判定用户不在该交通路线上行驶，并结束判断；其中，每个滑窗窗口的大小为3个基站小区，每次滑窗时向前挪动1个基站小区；每次滑窗判别以当前所用的3个基站小区为考虑范围，按照步骤二所述的方法判别用户是否在该交通路线上行驶；步骤五，按照时间顺序从预判用户占用的最后一个基站小区开始向前进行倒序滑窗循环判别，直至有两次滑窗判别的输出结果为是，则判定用户在该交通路线上行驶，并结束判断；若没有两次滑窗周期的输出结果为是，则判定用户不在该交通路线上行驶，并结束判断；其中，每个滑窗窗口的大小为4个基站小区，每次滑窗时向前挪动1个基站小区；每次滑窗判别以当前所用的4个基站小区为考虑范围，按照步骤二所述的方法判别用户是否在该交通路线上行驶。可选的，所述行经距离的估算方式为：步骤甲，将覆盖交通路线的所有基站小区以最短距离的方式投射到交通路线上，得到分布于该交通路线上的若干投影点；对于重合的投影点，将这些投影点所对应的基站小区视为一个单一的基站小区；步骤乙，对于每一投影点，分别获取该投影点与左侧相邻投影点之间交通路线的中点，以及该投影点与右侧相邻投影点之间交通路线的中点，以这两个中点之间的交通路线长度作为该投影点在该交通路线上的覆盖长度；步骤丙，根据所述一定时间内预判用户占用覆盖交通路线的基站小区，获取初次占用基站小区和末次占用基站小区所对应的投影点；步骤丁，按照用户的行驶方向，从初次占用基站小区所对应投影点的覆盖长度开始累加，依次累加途经的每一个投影点的覆盖长度，直至累加到末次占用基站小区所对应投影点的前一个投影点的覆盖长度，以累加结果作为用户的行经距离。可选的，所述步骤二中，根据行经距离、最初占用的基站小区到最后占用的基站小区的时间差，以及交通路线的常规行驶速度，判别用户是否在交通路线上行驶的方式为：步骤二一，由所述行经距离除以所述常规行驶速度，得到预判用户的参考行驶时间；步骤二二，比较所述时间差与所述参考行驶时间，若两者的差值在预设范围内，则做出肯定判断，否则做出否定判断。从上面的叙述可以看出，本发明技术方案的有益效果在于：1、为提高用户判别准确性，本发明直接采集lte网络用户s1-mme接口信息，通过最大跨度判别和倒序滑窗判别相结合的双判别法对在交通路线上行驶移动的用户进行筛选判别，相对于现有技术，本方法无需设定用户占用小区的比例门限，无需预设覆盖交通路线的重点位置小区，而是充分利用s1-mme数据信息中用户占用覆盖交通路线小区的相关信息和数量自动调整滑窗大小及位置，实现用户判别精度的提升，并减少了现有技术中对占用小区比例门限和重点小区集合的维护所耗费的人工成本。2、本发明通过双判别法，在预判用户占用覆盖交通路线小区数量≤3时，仍可保持较高的判别成功率，有效克服了现有技术中因用户占用覆盖交通路线小区数较少而造成的漏判和误判。3、本发明方法具有更高的速度判别精度，因而可以对行驶在两条相邻的交通路线上的用户进行有效分离，克服了现有技术中对相邻路线识别不清的问题。4、本发明方法通过投影法和中值法预先将基站小区投影在交通路线上，实现基站小区在交通路线上的覆盖分段，构成用于用户轨迹路线判别的基础数据，为基础数据准备的it化实现和数据周期性更新维护提供了标准、高效的实现方式，简化了数据计算过程。总之，本发明通过s1-mme接口数据信息，结合覆盖交通路线的小区集合在交通路线上的投影数据，采用最大跨度判别和倒序滑窗判别相结合的双判别法进行用户的实际移动路线判别，提高了用户移动路线判别的准确性，有效减少了现有技术中因用户占用覆盖交通路线小区数较少或不同交通路线相邻而带来的漏判和误判问题，同时简化了用户判别的数据计算量，是对现有技术的一种重要改进。附图说明为了更加清楚地描述本专利，下面提供一幅或多幅附图，这些附图旨在对本专利的
背景技术：
、技术原理和/或某些具体实施方案做出辅助说明。需要注意的是，这些附图可以给出也可以不给出一些在本专利文字部分已有描述且属于本领域普通技术人员公知常识的具体细节；并且，因为本领域的普通技术人员完全可以结合本专利已公开的文字内容和/或附图内容，在不付出任何创造性劳动的情况下设计出更多的附图，因此下面这些附图可以涵盖也可以不涵盖本专利文字部分所叙述的所有技术方案。此外，这些附图的具体内涵需要结合本专利的文字内容予以确定，当本专利的文字内容与这些附图中的某个明显结构不相符时，需要结合本领域的公知常识以及本专利其他部分的叙述来综合判断到底是本专利的文字部分存在笔误，还是附图中存在绘制错误。特别地，以下附图均为示例性质的图片，并非旨在暗示本专利的保护范围，本领域的普通技术人员通过参考本专利所公开的文字内容和/或附图内容，可以在不付出任何创造性劳动的情况下设计出更多的附图，这些新附图所代表的技术方案依然在本专利的保护范围之内。图1是本发明实施例中用于实现本发明方法的一种模块结构图；图2是本发明实施例中步骤102的一种具体流程图；图3是本发明实施例中步骤1022的一种具体流程图；图4是本发明实施例中步骤103的一种具体流程图；图5是本发明实施例中基站小区投影及行经距离计算的原理图。具体实施方式为了便于本领域技术人员对本专利技术方案的理解，同时，为了使本专利的技术目的、技术方案和有益效果更加清楚，并使权利要求书的保护范围得到充分支持，下面以具体案例的形式对本专利的技术方案做出进一步的、更详细的说明。一种基于s1-mme数据的快速移动用户高精度判别方法，其通过采集、分析在lte移动通信网络中覆盖一条交通路线的基站小区集合内的用户s1-mme数据，判别用户是否在该条交通路线上行驶移动，判别过程包括以下步骤：步骤一，获取一定时间内预判用户占用覆盖交通路线的基站小区s1-mme数据，所述预判用户s1-mme数据包括每次占用的基站小区以及每次占用的时间点；若在所述一定时间内对于同一基站小区有多次占用，则仅考虑第一次占用产生的数据信息；步骤二，结合所述交通路线的地理信息以及基站小区的地理分布情况，根据最初占用的基站小区和最后占用的基站小区估算预判用户在交通路线上的行经距离，并判断行经距离是否大于预设的阈值；若大于阈值，则根据行经距离、最初占用的基站小区到最后占用的基站小区的时间差，以及交通路线的常规行驶速度，判别用户是否在该交通路线上行驶；步骤三，若步骤二未判别出用户在交通路线上行驶，则分为三种情况进行处理：若预判用户占用基站小区为2个或3个，则结束判断，并以步骤二的判断结果为最终结果；若预判用户占用基站小区为4个，则按照步骤四所述的方式做进一步的判断；若预判用户占用基站小区不少于5个，则按照步骤五所述的方式做进一步的判断；步骤四，按照时间顺序从预判用户占用的最后一个基站小区开始向前进行倒序滑窗循环判别，直至有一次滑窗判别的输出结果为是，则判定用户在该交通路线上行驶，并结束判断；若没有任何一次滑窗判别的输出结果为是，则判定用户不在该交通路线上行驶，并结束判断；其中，每个滑窗窗口的大小为3个基站小区，每次滑窗时向前挪动1个基站小区；每次滑窗判别以当前所用的3个基站小区为考虑范围，按照步骤二所述的方法判别用户是否在该交通路线上行驶；步骤五，按照时间顺序从预判用户占用的最后一个基站小区开始向前进行倒序滑窗循环判别，直至有两次滑窗判别的输出结果为是，则判定用户在该交通路线上行驶，并结束判断；若没有两次滑窗周期的输出结果为是，则判定用户不在该交通路线上行驶，并结束判断；其中，每个滑窗窗口的大小为4个基站小区，每次滑窗时向前挪动1个基站小区；每次滑窗判别以当前所用的4个基站小区为考虑范围，按照步骤二所述的方法判别用户是否在该交通路线上行驶。可选的，所述行经距离的估算方式为：步骤甲，将覆盖交通路线的所有基站小区以最短距离的方式投射到交通路线上，得到分布于该交通路线上的若干投影点；对于重合的投影点，将这些投影点所对应的基站小区视为一个单一的基站小区；步骤乙，对于每一投影点，分别获取该投影点与左侧相邻投影点之间交通路线的中点，以及该投影点与右侧相邻投影点之间交通路线的中点，以这两个中点之间的交通路线长度作为该投影点在该交通路线上的覆盖长度；步骤丙，根据所述一定时间内预判用户占用覆盖交通路线的基站小区，获取初次占用基站小区和末次占用基站小区所对应的投影点；步骤丁，按照用户的行驶方向，从初次占用基站小区所对应投影点的覆盖长度开始累加，依次累加途经的每一个投影点的覆盖长度，直至累加到末次占用基站小区所对应投影点的前一个投影点的覆盖长度，以累加结果作为用户的行经距离。可选的，所述步骤二中，根据行经距离、最初占用的基站小区到最后占用的基站小区的时间差，以及交通路线的常规行驶速度，判别用户是否在交通路线上行驶的方式为：步骤二一，由所述行经距离除以所述常规行驶速度，得到预判用户的参考行驶时间；步骤二二，比较所述时间差与所述参考行驶时间，若两者的差值在预设范围内，则做出肯定判断，否则做出否定判断。与现有技术相比，上述具体实施方式具有如下效果：1)现有技术中利用用户mr(lte测量报告数据)或cdr(lte呼叫详细记录)数据，当用户占用小区数量超过覆盖交通路线的小区集合总数量一定比例门限(如60％)时，即判定该用户为行驶在该路线上的用户。该方法局限性大，判断条件单一，阈值设置越高，准确性越大，但漏判的用户增多；阈值设置越低，准确性越小，误判的概率越大。而本方法完全规避小区数占比问题，只要用户占用小区数在2个或以上即可依据原则进行准确判别。2)现有技术中选取若干个重点位置基站小区，并通过小区间距和用户移动速度来判别用户是否为某一交通路线上的用户(例如，高速用户的速度一般为100公里每小时左右，高铁用户的速度一般为200公里每小时以上，据此，可以粗略判断用户的行驶属性，以判定用户所处的交通路线)，但是，该方法对重点位置小区的选择有较高要求，且难以处理多条交通路线相邻并行的情况。与此不同，本方法是基于覆盖交通路线的基站小区集合这一相对稳定的基本数据，无需人为选择重点位置小区，因而不存在小区选择的问题，此外，即使在交通路线相邻并行的情况下，本方法也能对用户的行驶属性做出准确判别。3)现有技术中对用户移动速度的估算采用的是将基站小区间距与两个小区的首次占用时间差(秒级精度)进行简单相除的方式，但是，由于基站小区间距不能真实反映用户的实际移动路线和距离，这导致估算出的用户移动速度存在较大偏差。而本方法通过将覆盖交通路线的基站小区投影到对应交通路线上，并通过投影点位置对用户占用的基站小区覆盖的交通路线长度进行分段累加，能够更加精确地仿真用户的移动轨迹。4)现有技术中对移动速度的计算采用通过三角定位、mr&cdr数据机器学习等方法进行用户位置估算后，用用户估算位置间距与位置时间差进行计算。该类方法引入大数据分析处理及机器学习评估，对于资源需求较高，且目前agps等算法定位精度不足，在小区密集程度较高区域，存在较大误差。而本方法仅需要计算覆盖交通路线的基站小区投影点位置及交通路线分段累加长度，结合预设的用户移动速度阈值(即每条交通路线的常规行驶速度)，计算预判用户交通路线时长参考，并与s1-mme数据中用户占用基站小区间的用户实际移动时长对比进行判别。此方法所需数据量少，计算方法准确、简便，无需大量数据的机器学习和对高资源的需求，同时规避了由于agps等算法定位不足的问题。本方法通过对覆盖交通路线的基站小区集合编号序列化，并在地理化的交通路线上进行基线投影的方法，实现了小区覆盖交通路线分段，能够更加真实地模拟用户实际移动路线和距离。具体来说：针对预判用户占用的覆盖交通路线小区数≤3的情况，以最大跨度判别法为主，结合占用的小区覆盖交通路线距离差阈值，解决现有算法中占用覆盖交通路线的小区数少而导致用户漏判的问题。针对预判用户占用的覆盖交通路线小区数≥4的情况，在最大跨度判别法的基础上增加倒序滑窗判别法实现双判别，进一步提升判别精确度，其中滑窗大小是指用于计算预判用户占用覆盖交通路线的基站小区数。倒序滑窗判别法按照用户占用覆盖交通路线的小区顺序，逆序(从占用的最后一个覆盖交通路线小区开始)每4个或3个小区为一个计算单位，即窗口大小为4或3，每个滑窗的计算过程同最大跨度判别法。其中，最大跨度判别法的主要实现步骤为：1、通过将覆盖交通路线的小区集合(序列化)和预判用户s1-mme数据进行比对，生成预判用户占用的覆盖交通路线小区的序列(具有方向性和用户使用的时间戳)。2、覆盖交通路线小区序列参照地理化的交通路线信息进行基线投影，生成交通路线上的小区覆盖交通路线分段。3、根据预判用户占用的最后一个覆盖交通路线小区与其占用的第一个覆盖交通路线小区二者在交通路线上的投影路径长度，结合预设用户移动速度阈值，计算预判用户在交通路线上的行经距离(小区覆盖交通路线分段的累加值)内的使用时间，即用户交通路线时长参考。4、计算预判用户占用最后一个覆盖交通路线小区的首次上报时间与其占用第一个覆盖交通路线小区的首次上报时间二者的时间差，即预判用户实际移动时长。5、将用户交通路线时长参考和预判用户实际移动时长进行比较，如果预判用户实际移动时长满足用户交通路线时长参考条件，则该预判用户满足该交通路线特征基本要求。图1所示是一个用于实现本发明方法的模块结构图，其包括三个模块，分别是获取模块、处理模块、判别模块，其中：获取模块101，用于获取地理化的交通路线信息(即交通路线对应经纬度的点或栅格)、覆盖交通路线的小区集合(即覆盖交通路线的所有基站小区)及lte系统地理区域内s1-mme数据等三种数据。处理模块102，用于对地理化的交通路线信息按照交通路线单行驶方向进行依次编号(对经纬度信息的点或栅格的编号)，为后续计算每个小区覆盖交通路线分段提供参考；按照最近原则与覆盖交通路线的小区集合进行距离计算，将覆盖交通路线的小区集合中每个小区投影到地理化的交通路线上，然后通过中值法得到每个小区覆盖交通路线分段(交通路线的地理化点或栅格的集合)，同时按照地理化的交通路线信息编号方向对覆盖交通路线的小区集合中的每个小区进行编号，便于通过预判用户占用的所有覆盖交通路线小区首次上报时间顺序判断用户移动方向，同时为判别模块中计算用户交通路线行经距离提供参考点；另外，处理模块102还包括对预判用户的筛选，即提取s1-mme数据中占用2个以上覆盖移动轨迹交通路线的小区的用户。如图2所示，处理模块102用于执行如下步骤：步骤1021对地理化的交通路线信息(具有经纬度信息的点或栅格)按照交通路线单行驶方向进行依次编号，是指对地理化交通路线信息中的每个经纬度信息(点或栅格)按照特定方向进行编号，如表1所示：地理化交通路线方向经度纬度编号路线名称1由东向西119.760739.997911路线名称1由东向西119.756539.995612路线名称1由东向西………路线名称1由东向西………路线名称1由东向西117.875339.3761643463路线名称1由东向西117.868739.3630743464表1步骤1022中包括如下步骤，如图3所示：步骤10221，按照最近距离原则，将每个覆盖交通路线的小区投影到地理化的交通路线上，即通过覆盖交通路线小区集合中每个小区经纬度与地理化的交通路线信息中的每个经纬度点进行距离比较，得到与覆盖交通路线小区最近的一个地理化的交通路线信息中的经纬度点，作为覆盖交通路线的小区在地理化的交通路线上的投影点。如图5中的p(cell1)、p(cell2)、p(cell3)等。步骤10222，根据步骤10221中p(celln)的位置，按照中值法计算投影点之间的中间点，如图5中tn所示位置。步骤10223，与覆盖交通路线的小区投影点相邻的两个中间点之间的距离即为每个覆盖交通路线小区的覆盖交通路线分段，如图5中取p(cell1)和p(cell2)的中点以及p(cell2)和p(cell3)的中间点，即可输出覆盖交通路线小区cell2的小区覆盖交通路线分段，如图5中d(cell2)所示。步骤10224，按照地理化的交通路线信息编号方向对覆盖交通路线的小区集合中的每个小区进行编号，即按照覆盖交通路线的小区在地理化的交通路线上的投影点编号(1021中给出)从小到大的顺序对覆盖交通路线的小区进行编号，如表2所示。通过编号大小并结合预判用户占用小区的时间顺序可以判断用户移动方向，同时为判别模块中计算用户交通路线行经距离提供参考。如图5所示，假设预判用户在t1、t2、t3、t4等时间点分别占用cell2、cell3、cell4、cell5等小区，则可知预判用户移动方向是由东向西。方向高铁小区映射点编号由东向西cell1p(cell1)1由东向西cell2p(cell2)2由东向西cell3p(cell3)3由东向西cell4p(cell4)4由东向西cell5p(cell5)5由东向西………表2步骤1023中对预判用户的筛选，即过滤出s1-mme数据中占用2个或以上覆盖交通路线小区的用户作为预判用户参与判定，对于占用1个小区的用户不再参与判定。判别模块103，按照预判用户占用覆盖交通路线的小区时间顺序及小区编号判断用户移动方向，计算预判用户交通路线行经距离，结合预设用户移动速度阈值，获取用户交通路线时长参考，并与预判用户实际移动时长比较，如果预判用户实际移动时长满足用户交通路线时长参考条件，则该预判用户判别为目标地理化交通路线上的用户。其判别原则如下：条件一：当预判用户占用小区数m为2个或3个时，按照最大跨度判别法，计算基于第m个覆盖交通路线小区的预判用户交通路线行经距离、用户交通路线时长参考以及预判用户实际移动时长，如果预判用户交通路线行经距离大于预设用户交通路线行经距离阈值d1，且预判用户实际移动时长满足用户交通路线时长参考条件，则该预判用户为地理化交通路线上的用户。条件二：当预判用户占用小区数m为4个时，首先按照最大跨度判别法，计算基于第m个覆盖交通路线小区的预判用户交通路线行经距离、用户交通路线时长参考以及预判用户实际移动时长，如果预判用户交通路线行经距离大于预设用户交通路线行经距离阈值d2，且预判用户实际移动时长满足用户交通路线时长参考条件，则该预判用户为地理化交通路线上的用户。如果最大跨度判别法不满足，则采用倒序滑窗(窗口长度w＝3)的方式，即依据预判用户占用覆盖交通路线小区的时间顺序倒序选择其中连续3个小区为一个滑动窗口，按照最大跨度判别法的方式计算，至少1个滑窗的计算结果满足条件，则该预判用户为地理化交通路线上的用户。条件三：当预判用户占用小区数m大于或等于5个时，首先按照最大跨度判别法，计算基于第m个覆盖交通路线小区的预判用户交通路线行经距离、用户交通路线时长参考以及预判用户实际移动时长，如果预判用户交通路线行经距离大于预设用户交通路线行经距离阈值d3，且预判用户实际移动时长满足用户交通路线时长参考条件，则该预判用户为地理化交通路线上的用户。如果最大跨度判别法不满足，则采用倒序滑窗(窗口长度w＝4)的方式，即依据预判用户占用覆盖交通路线小区的时间顺序倒序选择其中连续4个小区为一个滑动窗口，按照最大跨度判别法的方式计算，至少s(s≥2)个滑窗的计算结果满足条件，则该预判用户为地理化交通路线上的用户。如图4所示，判别模块103针对预判用户占用覆盖交通路线的小区数不同，采用不同方法进行准确判别。包括如下步骤：步骤1031，参照图5所示，假设预判用户占用覆盖交通路线的小区数m为2，假设占用了cell2和cell5，则通过步骤10311最大跨度判别法分别计算预判用户交通路线行经距离、用户交通路线时长参考及预判用户实际移动时长如下：预判用户交通路线行经距离＝d(cell4)+d(cell3)+d(cell2)，用户交通路线时长参考＝(d(cell4)+d(cell3)+d(cell2))/预设用户移动速度阈值，预判用户实际移动时长＝(t4-t1)。再通过步骤10312的条件进行判别，如果预判用户交通路线行经距离>预设用户交通路线行经距离阈值d1，且预判用户实际移动时长满足用户交通路线时长参考条件(比如小于)，则预判用户为地理化交通路线上的用户。步骤1032，参照图5所示，假设预判用户占用覆盖交通路线的小区数m为4，假设占用了cell2、cell4、cell5和cell6，则通过步骤10321最大跨度判别法分别计算预判用户交通路线行经距离、用户交通路线时长参考及预判用户实际移动时长如下：预判用户交通路线行经距离＝(d(cell5)+d(cell4)+d(cell3)d(cell2))，用户交通路线时长参考＝(d(cell5)+d(cell4)+d(cell3)d(cell2))/预设用户移动速度阈值，预判用户实际移动时长＝(t5-t1)。再通过步骤10322的条件进行判别，如果预判用户交通路线行经距离>预设用户交通路线行经距离阈值d2，且预判用户实际移动时长满足用户交通路线时长参考条件(比如小于)，则预判用户为地理化交通路线上的用户。如果步骤10322条件不满足，则再通过步骤10323的条件选取预判用户占用的小区cell6、cell5和cell4，按照预判用户占用小区数m为3的条件计算，判别是否为地理化交通路线上的用户；如果不满足，则再次循环选取预判用户占用的小区cell5、cell4和cell2，按照预判用户占用小区数m为3的条件计算，判别是否为地理化交通路线上的用户(即进行窗口大小为3的倒序滑窗判别，原理在后文1033中详述)。如果上述计算结果均不能满足步骤10322的条件时，则判别该预判用户未在该地理化交通路线上。为简化计算，不再选取m为2的条件进行计算。步骤1033，参照图5所示，假设预判用户占用覆盖交通路线的小区数m为5，假设占用了cell1、cell2、cell5、cell6和cell7，则通过步骤10331最大跨度判别法分别计算预判用户交通路线行经距离、用户交通路线时长参考及预判用户实际移动时长如下：预判用户交通路线行经距离＝(d(cell6)+d(cell5)+d(cell4)+d(cell3)+d(cell2)+d(cell1))，用户交通路线时长参考＝(d(cell6)+d(cell5)+d(cell4)+d(cell3)+d(cell2)+d(cell1))/预设用户移动速度阈值，预判用户实际移动时长＝(t6-t0)。再通过步骤10332的条件进行判别，如果预判用户交通路线行经距离>预设用户交通路线行经距离阈值d3，且预判用户实际移动时长满足用户交通路线时长参考条件(比如小于)，则预判用户为地理化交通路线上的用户。如果上述步骤10331中最大跨度判别法计算条件不满足步骤10332的条件，因假设m为5，大于4，则采用窗口大小为4的倒序滑窗判别法再次进行判别，首先按照s1-mme数据中用户占用小区首次上报时间的顺序倒序选择4个小区，即cell7、cell6、cell5、cell2，分别计算预判用户交通路线行经距离、用户交通路线时长参考及预判用户实际移动时长如下：预判用户交通路线行经距离＝(d(cell6)+d(cell5)+d(cell4)+d(cell3)+d(cell2))，用户交通路线时长参考＝(d(cell6)+d(cell5)+d(cell4)+d(cell3)+d(cell2))/预设用户移动速度阈值，预判用户实际移动时长＝(t6-t1)。再次通过步骤10322的条件进行判别，如果预判用户交通路线行经距离>预设用户交通路线行经距离阈值d2，且预判用户实际移动时长满足用户交通路线时长参考条件(比如小于)，则预判用户为地理化交通路线上的用户。如果上述第一次倒序滑窗选取的4个小区，不满足步骤10322的条件，则倒序向前滑动一个步长，选取小区cell6、cell5、cell2、cell1再次计算预判用户交通路线行经距离、用户交通路线时长参考及预判用户实际移动时长如下：预判用户交通路线行经距离＝(d(cell5)+d(cell4)+d(cell3)+d(cell2)+d(cell1))，用户交通路线时长参考＝(d(cell5)+d(cell4)+d(cell3)+d(cell2)+d(cell1))/预设用户移动速度阈值，预判用户实际移动时长＝(t5-t0)。第三次通过步骤10322的条件进行判别，如果预判用户交通路线行经距离>预设用户交通路线行经距离阈值d2，且预判用户实际移动时长满足用户交通路线时长参考条件(比如小于)，则预判用户为地理化交通路线上的用户。如果上述倒序滑窗滑动至最后一个滑窗，计算结果仍然不能满足步骤10322的条件时，则判别该预判用户未在地理化交通路线上。以下为现有技术方案与本发明实施例的一个对比结果，现有技术中通过占用小区数量超过覆盖交通路线的小区集合总数量一定比例门限的方式进行用户判别，漏判和误判的占比均较高，判别准确率仅为44.67％；现有技术中通过占用的覆盖交通路线小区间距与两个小区时间差计算移动速度的方式进行用户判别，漏判和误判占比明显改善，虽然准确率提升到77.53％，但仍然存在较大误判概率。而本发明中的最大判别法和倒序滑窗判别法结合本发明中的用户交通路线行经距离算法将判别准确度提升至99％以上。以下为本发明中最大跨度判别法和倒序滑窗判别法在不同的滑窗大小、预设用户移动速度阈值和预设用户交通路线行经距离阈值设置条件下，针对某条交通路线的用户判别准确度的对比情况，可见本发明判别准确度较现有技术均有大幅提升，尤其方案四中漏判占比和误判占比相对较少，判别准确度高达99.6％。综上可见，本发明确实可以提供高精度的移动用户判别，从而为针对不同移动场景的用户感知优化工作奠定坚实基础，同时大大节约日常路测及数据分析处理的资源投入。总之，本发明通过采集lte移动通信网络中s1-mme接口数据筛选预判用户，结合覆盖交通路线的基站小区集合在地理化交通路线上的投影算法和小区覆盖轨迹分段算法，模拟计算用户实际交通路线和行经距离，替代现有技术中采用小区间距计算用户移动速度的方式，提高移动距离及速度判别准确性，并通过最大跨度判别法和倒序滑窗判别法相结合的双判别算法实现用户的判别，提升判别精度，减少人工干预因素，有效克服了现有技术中因占用覆盖交通路线小区数较少或不同移动属性的交通路线相邻而带来的用户漏判和误判问题。需要理解的是，上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述，并非暗示本专利的保护范围仅仅被限制在这些个例中，本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下，以不付出任何创造性劳动的形式，通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式，得到更多的具体实施方式，所有这些具体实施方式均在本专利权利要求书的涵盖范围之内，因此，这些新的具体实施方式也应在本专利的保护范围之内。出于简化叙述的目的，上述各具体实施方式对于技术细节的公开程度可能仅仅达到本领域技术人员可以自行决断的程度，即，对于上述具体实施方式没有公开的技术细节，本领域普通技术人员完全可以在不付出任何创造性劳动的情况下，在本专利技术方案的充分提示下，借助于教科书、工具书、论文、专利、音像制品等等已公开文献予以完成，或者，这些细节是在本领域普通技术人员的通常理解下，可以根据实际情况自行作出决定的内容。可见，即使不公开这些技术细节，也不会对本专利技术方案的公开充分性造成影响。总之，在结合了本专利说明书对权利要求书保护范围的解释作用的基础上，任何落入本专利权利要求书涵盖范围的具体实施方案，均在本专利的保护范围之内。当前第1页12