一种用户终端轨迹预测方法、装置、设备和存储介质与流程

1.本技术涉及通信技术领域，尤其涉及一种用户终端轨迹预测方法、装置、设备和存储介质。


背景技术：

2.近年来，随着移动智能设备和互联网技术的发展，生成了大量移动实体时空信息的轨迹数据，传统的方法，如hmm(hidden markov model，隐马尔可夫模型)和概率统计等模型，在轨迹预测中存在无法捕捉到序列的长期的依赖关系和用户移动的语义情况的缺点。而随着深度神经网络的表达和学习能力日益增强，其在轨迹预测领域中也取到了广泛的应用，尤其是rnn(recurrent neuralnetwork，循环神经网络)的变种之一lstm(long short-term memory network，长短期记忆神经网络)。它不仅解决了传统方法的弊端，同时也提升了模型的预测效果。但是此类方法大都只考虑到了轨迹的时序性特征，而忽略或未能很好的捕捉到空间性特征和轨迹交互影响的特征，因此，模型的性能还有进一步提升的空间。


技术实现要素：

3.本技术实施例期望提供一种用户终端轨迹预测方法、装置、设备和存储介质。
4.本技术的技术方案是这样实现的：
5.本技术第一方面的实施例提供一种用户终端轨迹预测方法，包括：
6.获取不同用户终端的轨迹数据；
7.基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；
8.基于所述目标预测模型对目标用户终端的轨迹进行预测。
9.可选地，所述基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型，包括：
10.基于每一用户终端的轨迹数据分别训练至少一个所述基础预测模型，得到每一用户终端对应的中间预测模型；
11.基于不同所述轨迹数据之间的关联关系对至少一个所述中间预测模型进行修正和联合，得到目标预测模型。
12.可选地，所述基于不同所述轨迹数据之间的关联关系对至少一个所述中间预测模型进行修正和联合，得到目标预测模型，包括：
13.基于不同所述轨迹数据之间的关联性确定相应的线性修正单元；
14.基于所述线性修正单元对至少一个所述中间预测模型进行修正，得到修正预测模型；
15.将所述修正预测模型通过中间连接池进行联合，得到目标预测模型；所述中间连接池包括不同所述轨迹数据之间的关联关系。
16.可选地，所述获取不同用户终端的轨迹数据，包括：
17.获取不同所述用户终端的位置信息和对应的时间戳信息；
18.基于所述位置信息和所述时间戳信息确定所述用户终端的轨迹数据；
19.将所述用户终端的轨迹数据确定为用户个体的轨迹数据。
20.可选地，所述基于所述目标预测模型对目标用户终端的轨迹进行预测，包括：
21.基于所述目标预测模型预测同一时间段内在同一范围区间的用户个体的数量。
22.可选地，所述目标预测模型包括至少一个数据分析网元；所述基于所述目标预测模型对目标用户终端的轨迹进行预测，包括：
23.响应于预测请求，所述数据分析网元基于从特定网络功能获取的网络参数对所述目标用户终端的轨迹进行预测。
24.可选地，还包括：
25.基于对所述目标用户终端的轨迹预测结果确定通信资源分配策略。
26.本技术第二方面的实施例提供一种用户终端轨迹预测装置，包括：
27.获取模块，用于获取不同用户终端的轨迹数据；
28.训练模块，用于基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；
29.预测模块，用于基于所述目标预测模型对目标用户终端的轨迹进行预测。
30.本技术的第三方面的实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行第一方面所述方法的步骤。
31.本技术的第四方面的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述方法的步骤。
32.本技术实施例提供的一种用户终端轨迹预测方法、装置、设备和存储介质，其中，所述用户终端轨迹预测方法，包括：获取不同用户终端的轨迹数据；基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；基于所述目标预测模型对目标用户终端的轨迹进行预测。采用本技术的技术方案，通过用户终端的轨迹数据和不同轨迹数据之间的关联关系对预测模型进行训练，从而在对单一预测模型进行训练了基础上，还考虑到了不同用户终端轨迹之间的相互影响，以对各个模型进行完善，进而将各个单一预测模型联合得到目标预测模型，兼顾了不同轨迹的空间性特征和轨迹交互影响的特征，提升了模型的预测性能，确保了最终预测结果的准确性和可靠性。
附图说明
33.图1为本技术实施例提供的一种用户终端轨迹预测方法的流程示意图；
34.图2为本技术实施例提供的目标预测模型的原理示意图；
35.图3为本技术实施例提供的一种用户终端轨迹预测装置的结构示意图；
36.图4为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
37.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
38.此外，附图仅为本技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
39.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
40.在此使用的术语的目的仅在于描述具体实施例并且不作为本技术的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
41.在一些实施例中，请参阅图1，图1为本技术实施例提供的一种用户终端轨迹预测方法的流程示意图，该用户终端轨迹预测方法，包括：
42.步骤s110，获取不同用户终端的轨迹数据。
43.每个行人都有不同的运动模式：他们以不同的速度、加速度和步态移动。将行人在不同时间点的位置信息通过按时间顺序进行串联，可以得到行人的轨迹数据，这些行人的轨迹数据可以通过与行人绑定的用户终端的轨迹数据进行反映。
44.在一些实施例中，步骤s110，获取不同用户终端的轨迹数据，包括：
45.获取不同用户终端的位置信息和对应的时间戳信息；
46.基于位置信息和时间戳信息确定用户终端的轨迹数据；
47.将用户终端的轨迹数据确定为用户个体的轨迹数据。
48.在本实施例中，可以通过用户终端上的定位系统进行定位，统计预设时间段内的用户终端的位置信息，并记录用户终端的特定位置信息对应的时间戳信息，由此可以获取多组位置信息和时间戳信息之间的映射关系，进而将多组映射关系进行连接，即可得到用户终端在统计时刻之前的预设时间段内的轨迹数据，而用户终端的轨迹数据可以反映用户个体的轨迹数据。
49.步骤s120，基于轨迹数据及不同轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；关联关系包括轨迹数据的重合。
50.在本实施例中，行人在拥挤的场景中移动时，会根据周围其他人的行为调整自己的动作。例如，一个人可以完全改变他/她的路径或暂时停下来，以适应一群向他移动的人。因此，不同行人的轨迹数据之间是存在关联关系的。
51.示例性的，行人甲在一个人员较为拥挤的广场上行走时，基于其原始的轨迹数据可以为行人甲预测出一条较大概率的路线，然而，结合其周围其他人的轨迹数据，这些轨迹
数据之间可能存在重合，即如果行人甲继续按照预测路线行走，则在接下来的某一时刻会撞上其他人，因此，需要基于其他人的轨迹数据对行人甲的预测轨迹进行修正。
52.在一些实施例中，步骤s120，基于轨迹数据及不同轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型，包括：
53.基于每一用户终端的轨迹数据分别训练至少一个基础预测模型，得到每一用户终端对应的中间预测模型；
54.基于不同轨迹数据之间的关联关系对至少一个中间预测模型进行修正和联合，得到目标预测模型。
55.在本实施例中，基础预测模型可以是lstm模型。行人会根据邻近人的运动估计来调整自己的路径，这些邻居反过来又会受到周围环境中其他人的影响，并且随着时间的推移可能会改变他们的行为。这里，基于每一用户终端的轨迹数据分别训练至少一个基础预测模型，得到每一用户终端对应的中间预测模型，而后将各个中间预测模型进行修正和联合，即结合周围其他人的轨迹数据对自身的预测轨迹进行修正。
56.在一些实施例中，步骤s120，基于不同轨迹数据之间的关联关系对至少一个中间预测模型进行修正和联合，得到目标预测模型，包括：
57.基于不同轨迹数据之间的关联性确定相应的线性修正单元；
58.基于线性修正单元对至少一个中间预测模型进行修正，得到修正预测模型；
59.将修正预测模型通过中间连接池进行联合，得到目标预测模型；中间连接池包括不同轨迹数据之间的关联关系。
60.在本实施例中，通过中间连接池将各个修正预测模型进行联合。这里，中间连接池可以是社会池(social pooling，s-pooling)层。与传统的lstm不同，中间连接池s-pooling可以允许空间上的近端lstm彼此共享信息，因此，可以基于中间连接池实现不同修正预测模型之间的联合。其中，线性修正单元为leaky relu函数，即将leaky relu函数作为激活函数。leaky relu函数的负数端有一个比较小的斜率，这个斜率在0和1之间，示例性的，正数端的斜率可以为0.2。其正数端有一个比较大的斜率，示例性的，正数端的斜率可以为1，需要说明的是，斜率的具体数值可以根据实际需求确定。
61.步骤s130，基于目标预测模型对目标用户终端的轨迹进行预测。
62.在本实施例中，训练好目标预测模型后，将目标用户终端的历史轨迹信息作为输入，可以输出得到目标用户终端的预测轨迹。这里，目标用户可以是通过中间连接池s-pooling完成近端lstm信息共享的多个用户设备中的任一用户设备对应的用户。
63.在一些实施例中，请参阅图2，图2为本技术实施例提供的目标预测模型的原理示意图。相交于现有的lstm模型，本实施例中的目标预测模型包括激活层，且用leaky relu代替了relu作为激活函数。通过设置一个超参数可以控制leaky relu的负值，从而减少负值的影响。其中，目标用户终端的历史轨迹信息可以作为输入input，对目标用户对应的lstm模型以及相关联的多个lstm模型进行训练，而后通过中间连接池social pooling将各个lstm模型连接，经过leaky relu激活后，可以输出得到目标用户终端的预测轨迹。
64.在一个示例中，采用传统lstm模型(vanilla lstm)、社交lstm模型(social lstm)、占用lstm模型(occupancy lstm)和本技术提供的目标预测模型分别对目标用户终端的轨迹进行预测，并进行验证，可以确定每种预测方式对应的误差，详见表1：
65.模型名称均方差最终误差平均误差目标预测模型0.50941.70700.8693social lstm1.38652.09800.6750occupancy lstm2.11053.12001.1010vanilla lstm2.10703.11401.1000
66.在本示例中，将leak relu的超参数，即负数端的斜率设置为0.2。其中，均方差是所有真实轨迹点和预测点的均方误差(mse)。最终误差为真实轨迹与预测轨迹之间的平均最终欧氏距离。平均误差是真实轨迹与预测轨迹之间的平均欧氏距离。通过表1数据可以得出，本技术提供的目标预测模型的均方差和最终误差均低于其他算法，平均误差优于occupancy lstn和vanilla lstm。与social lstm相比，均方差提高了63.26％，最终误差提高了18.64％。由此可见，本技术提供的目标预测模型和相关的用户终端轨迹预测方法可以有效提升对用户终端轨迹的预测精度，确保最终预测结果的准确性和可靠性。需要说明的是，关于均方差、最终误差和平均误差的具体计算原理可参照现有相关文献中的记载，对此不一一赘述。
67.在一些实施例中，步骤s130，基于目标预测模型对目标用户终端的轨迹进行预测，包括：
68.基于目标预测模型预测同一时间段内在同一范围区间的用户个体的数量。
69.由于通过目标预测模型可以对目标用户终端的轨迹进行预测，因此，可以对多个用户终端在接下来的预设时间段内出现在预设区域的数量进行统计，由此，在考虑到轨迹的时序性特征的基础上，还兼顾了不同轨迹的空间性特征和轨迹交互影响的特征，可以准确预测出同一时间段内在同一范围区间的用户个体的数量，甚至预测出可能出现拥塞情况的概率。
70.在一些实施例中，目标预测模型包括至少一个数据分析网元；步骤s130，基于目标预测模型对目标用户终端的轨迹进行预测，包括：
71.响应于预测请求，数据分析网元基于从特定网络功能获取的网络参数对目标用户终端的轨迹进行预测。
72.nwdaf(network data analytics function，网络数据分析功能)可以从特定的nf(networkfunction，网络功能)、oam(operation administration and maintenance，网管系统)或af(application function，应用功能)收集特定的数据，经过一定的大数据分析网元得出一定的分析结果，并把该结果按需发送给特定的nf、oam或af。同一个nwdaf网元的每一种网络数据分析服务可以对应一种特定的nwdaf算法。在需要从nwdaf网元中选择一个nwdaf网元提供网络数据分析服务时，一般是考虑nwdaf服务请求网元所发送的服务发现请求中包含的网络数据分析服务的类型标识analytics id(s)，以及可能包含的网络切片标识s-nssai、和/或所处的服务区信息，来选择相匹配的nwdaf网元为nwdaf服务请求网元提供网络数据分析服。
73.在本实施例中，目标预测模型包括一个或多个nwdaf网元。nwdaf网元根据输入数据，如目标用户终端的历史轨迹数据以及接收到的请求信息，进行由针对性的分析，得出分析结果，并肩个分析结果发送至相应的应用功能。
74.在一些实施例中，该用户终端轨迹预测方法还包括：
75.基于对目标用户终端的轨迹预测结果确定通信资源分配策略。
76.在本实施例中，考虑到同一时间段内在不同范围区间的用户终端的数量存在差异，甚至部分范围区间的用户终端数量为零，另一部分范围区间的用户终端的数量过多，导致出现拥塞情况，因此，可以根据对不同用户终端的轨迹预测结果，动态分配通信资源，对于用户终端的数量较少的范围区间，适当减少通信资源的配额，对于用户终端的数量较多的范围区间，适当增大通信资源的配额，从而减少通信资源的浪费，提高通信资源的利用率。
77.本技术实施例通过通过用户终端的轨迹数据和不同轨迹数据之间的关联关系对预测模型进行训练，从而在对单一预测模型进行训练了基础上，还考虑到了不同用户终端轨迹之间的相互影响，以对各个模型进行完善，进而将各个单一预测模型联合得到目标预测模型，兼顾了不同轨迹的空间性特征和轨迹交互影响的特征，提升了模型的预测性能，确保了最终预测结果的准确性和可靠性。
78.在一些实施例中，请参阅图3，图3为本技术实施例提供的一种用户终端轨迹预测装置的结构示意图；本技术实施例提供一种用户终端轨迹预测装置300，包括：
79.获取模块310，用于获取不同用户终端的轨迹数据；
80.训练模块320，用于基于轨迹数据及不同轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；关联关系包括轨迹数据的重合；
81.预测模块330，用于基于目标预测模型对目标用户终端的轨迹进行预测。
82.每个行人都有不同的运动模式：他们以不同的速度、加速度和步态移动。将行人在不同时间点的位置信息通过按时间顺序进行串联，可以得到行人的轨迹数据，这些行人的轨迹数据可以通过与行人绑定的用户终端的轨迹数据进行反映。
83.在本实施例中，行人在拥挤的场景中移动时，会根据周围其他人的行为调整自己的动作。例如，一个人可以完全改变他/她的路径或暂时停下来，以适应一群向他移动的人。因此，不同行人的轨迹数据之间是存在关联关系的，需要结合周围其他人的轨迹数据对自身的预测轨迹进行修正。在训练好目标预测模型后，将目标用户终端的历史轨迹信息作为输入，可以输出得到目标用户终端的预测轨迹。这里，目标用户可以是通过中间连接池s-pooling完成近端lstm信息共享的多个用户设备中的任一用户设备对应的用户。
84.在一些实施例中，训练模块320具体用于：
85.基于每一用户终端的轨迹数据分别训练至少一个基础预测模型，得到每一用户终端对应的中间预测模型；
86.基于不同轨迹数据之间的关联关系对至少一个中间预测模型进行修正和联合，得到目标预测模型。
87.在本实施例中，基础预测模型可以是lstm模型。行人会根据邻近人的运动估计来调整自己的路径，这些邻居反过来又会受到周围环境中其他人的影响，并且随着时间的推移可能会改变他们的行为。这里，基于每一用户终端的轨迹数据分别训练至少一个基础预测模型，得到每一用户终端对应的中间预测模型，而后将各个中间预测模型进行修正和联合，即结合周围其他人的轨迹数据对自身的预测轨迹进行修正。
88.在一些实施例中，训练模块320具体还用于：
89.基于不同轨迹数据之间的关联性确定相应的线性修正单元；
90.基于线性修正单元对至少一个中间预测模型进行修正，得到修正预测模型；
91.将修正预测模型通过中间连接池进行联合，得到目标预测模型；中间连接池包括不同轨迹数据之间的关联关系。
92.在本实施例中，通过中间连接池将各个修正预测模型进行联合。这里，中间连接池可以是社会池层。与传统的lstm不同，中间连接池s-pooling可以允许空间上的近端lstm彼此共享信息，因此，可以基于中间连接池实现不同修正预测模型之间的联合。其中，线性修正单元为leaky relu函数，即将leaky relu函数作为激活函数。leaky relu函数的负数端有一个比较小的斜率，这个斜率在0和1之间，示例性的，正数端的斜率可以为0.2。其正数端有一个比较大的斜率，示例性的，正数端的斜率可以为1，需要说明的是，leaky relu函数斜率的具体数值可以根据实际需求确定。
93.在一些实施例中，获取模块310具体用于：
94.获取不同用户终端的位置信息和对应的时间戳信息；
95.基于位置信息和所述时间戳信息确定用户终端的轨迹数据；
96.将用户终端的轨迹数据确定为用户个体的轨迹数据。
97.在本实施例中，可以通过用户终端上的定位系统进行定位，统计预设时间段内的用户终端的位置信息，并记录用户终端的特定位置信息对应的时间戳信息，由此可以获取多组位置信息和时间戳信息之间的映射关系，进而将多组映射关系进行连接，即可得到用户终端在统计时刻之前的预设时间段内的轨迹数据，而用户终端的轨迹数据可以反映用户个体的轨迹数据。
98.在一些实施例中，预测模块330具体用于：
99.基于目标预测模型预测同一时间段内在同一范围区间的用户个体的数量。
100.由于通过目标预测模型可以对目标用户终端的轨迹进行预测，因此，可以对多个用户终端在接下来的预设时间段内出现在预设区域的数量进行统计，由此，在考虑到轨迹的时序性特征的基础上，还兼顾了不同轨迹的空间性特征和轨迹交互影响的特征，可以准确预测出同一时间段内在同一范围区间的用户个体的数量，甚至预测出可能出现拥塞情况的概率。
101.在一些实施例中，目标预测模型包括至少一个数据分析网元；预测模块230具体用于：
102.响应于预测请求，数据分析网元基于从特定网络功能获取的网络参数对目标用户终端的轨迹进行预测。
103.在本实施例中，目标预测模型包括一个或多个nwdaf网元。nwdaf网元根据输入数据，如目标用户终端的历史轨迹数据以及接收到的请求信息，进行由针对性的分析，得出分析结果，并肩个分析结果发送至相应的应用功能。
104.在一些实施例中，用户终端轨迹预测装置300还包括确定模块，确定模块具体用于：
105.基于目标用户终端的轨迹预测结果确定通信资源分配策略。
106.在本实施例中，考虑到同一时间段内在不同范围区间的用户终端的数量存在差异，甚至部分范围区间的用户终端数量为零，另一部分范围区间的用户终端的数量过多，导致出现拥塞情况，因此，可以根据对不同用户终端的轨迹预测结果，动态分配通信资源，对
于用户终端的数量较少的范围区间，适当减少通信资源的配额，对于用户终端的数量较多的范围区间，适当增大通信资源的配额，从而减少通信资源的浪费，提高通信资源的利用率。
107.本技术实施例通过通过用户终端的轨迹数据和不同轨迹数据之间的关联关系对预测模型进行训练，从而在对单一预测模型进行训练了基础上，还考虑到了不同用户终端轨迹之间的相互影响，以对各个模型进行完善，进而将各个单一预测模型联合得到目标预测模型，兼顾了不同轨迹的空间性特征和轨迹交互影响的特征，提升了模型的预测性能，确保了最终预测结果的准确性和可靠性。
108.这里需要指出的是：以上用户终端轨迹预测装置实施例的描述，与上述用户终端轨迹预测方法实施例的描述是类似的，具有同用户终端轨迹预测方法实施例相似的有益效果。对于本技术用户终端轨迹预测装置实施例中未披露的技术细节，请参照本技术用户终端轨迹预测方法实施例的描述而理解，在此不再一一赘述。
109.在一些实施例中，本技术实施例提供的一种电子设备，请参阅图4，图4为本技术实施例提供的一种电子设备的结构示意图，该电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行上述用户终端轨迹预测方法的步骤。
110.该电子设备可以是终端、服务器或者类似的运算装置。该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)，包括但不限于微处理器mcu或可编程逻辑器件fpga、用于存储数据的存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在储介质存的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器可以设置为与存储介质通信，在电子设备上执行存储介质中的一系列指令操作。电子设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如windows server，mac os x，unix，linux，freebsd等等。输入输出接口可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备的通信供应商提供的无线网络。
111.在一个实例中，输入输出接口包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个示例性实施例中，输入输出接口可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
112.本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
113.在一些实施例中，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述用户终端轨迹预测方法的步骤。
114.这里需要指出的是：以上电子设备实施例和存储介质实施例的描述，与上述用户终端轨迹预测方法实施例的描述是类似的，具有同用户终端轨迹预测方法实施例相似的有益效果。对于本技术电子设备实施例和存储介质实施例中未披露的技术细节，请参照本申
请用户终端轨迹预测方法实施例的描述而理解，在此不再一一赘述。
115.在本技术所提供的几个实施例中，应该理解到，所揭露的用户终端轨迹预测方法、装置、电子设备和存储介质可以通过其他的方式实现。以上所描述的方法、装置、设备和存储介质实施例仅仅是示意性的。
116.本技术实施例中记载的一种用户终端轨迹预测方法、装置、设备和存储介质只以本技术所述实施例为例，但不仅限于此，只要涉及到该用户终端轨迹预测方法、装置、设备和存储介质均在本技术的保护范围。
117.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
118.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
119.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种用户终端轨迹预测方法，包括：获取不同用户终端的轨迹数据；基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；基于所述目标预测模型对目标用户终端的轨迹进行预测。2.根据权利要求1所述的用户终端轨迹预测方法，所述基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型，包括：基于每一用户终端的轨迹数据分别训练至少一个所述基础预测模型，得到每一用户终端对应的中间预测模型；基于不同所述轨迹数据之间的关联关系对至少一个所述中间预测模型进行修正和联合，得到目标预测模型。3.根据权利要求2所述的用户终端轨迹预测方法，所述基于不同所述轨迹数据之间的关联关系对至少一个所述中间预测模型进行修正和联合，得到目标预测模型，包括：基于不同所述轨迹数据之间的关联性确定相应的线性修正单元；基于所述线性修正单元对至少一个所述中间预测模型进行修正，得到修正预测模型；将所述修正预测模型通过中间连接池进行联合，得到目标预测模型；所述中间连接池包括不同所述轨迹数据之间的关联关系。4.根据权利要求1所述的用户终端轨迹预测方法，所述获取不同用户终端的轨迹数据，包括：获取不同所述用户终端的位置信息和对应的时间戳信息；基于所述位置信息和所述时间戳信息确定所述用户终端的轨迹数据；将所述用户终端的轨迹数据确定为用户个体的轨迹数据。5.根据权利要求4所述的用户终端轨迹预测方法，所述基于所述目标预测模型对目标用户终端的轨迹进行预测，包括：基于所述目标预测模型预测同一时间段内在同一范围区间的用户个体的数量。6.根据权利要求1所述的用户终端轨迹预测方法，所述目标预测模型包括至少一个数据分析网元；所述基于所述目标预测模型对目标用户终端的轨迹进行预测，包括：响应于预测请求，所述数据分析网元基于从特定网络功能获取的网络参数对所述目标用户终端的轨迹进行预测。7.根据权利要求1所述的用户终端轨迹预测方法，还包括：基于对所述目标用户终端的轨迹预测结果确定通信资源分配策略。8.一种用户终端轨迹预测装置，包括：获取模块，用于获取不同用户终端的轨迹数据；训练模块，用于基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；预测模块，用于基于所述目标预测模型对目标用户终端的轨迹进行预测。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行
时，实现权利要求1至7中任一项所述方法的步骤。

技术总结
本申请实施例公开了一种用户终端轨迹预测方法、装置、设备和存储介质，其中，所述用户终端轨迹预测方法，包括：获取不同用户终端的轨迹数据；基于所述轨迹数据及不同所述轨迹数据之间的关联关系对基础预测模型进行训练，得到目标预测模型；所述关联关系包括轨迹数据的重合；基于所述目标预测模型对目标用户终端的轨迹进行预测。轨迹进行预测。轨迹进行预测。


技术研发人员：叶俊麟
受保护的技术使用者：联想（北京）有限公司
技术研发日：2023.06.30
技术公布日：2023/10/7