用户设备的上下线调度方法及装置、存储介质、电子设备与流程

1.本公开实施例涉及通信技术领域，具体而言，涉及一种用户设备的上下线调度方法、用户设备的上下线调度装置、计算机可读存储介质以及电子设备。


背景技术：

2.现有的用户设备的上下线调度方法中，当用户设备超出限定活动区域范围后，直接进行下线处理，并未考虑到用户设备本身的活动规律，进而使得上下线调度结果的准确率较低，降低了用户体验。
3.需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

4.本公开的目的在于提供一种用户设备的上下线调度方法、用户设备的上下线调度装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的上下线调度结果的准确率较低的问题。
5.根据本公开的一个方面，提供一种用户设备的上下线调度方法，包括：
6.获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；
7.根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；
8.若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；
9.若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
10.在本公开的一种示例性实施例中，获取用户设备的第一设备特征信息以及历史轨迹信息，包括：
11.接入和移动管理功能网元接收用户设备发送的用户设备的第一设备特征信息；其中，所述第一设备特征信息包括用户设备的位置信息、用户设备的移动速度以及用户设备的无线测量信息中的至少一种，所述位置信息包括用户设备当前所在的小区信息、用户设备的坐标位置以及用户设备的位置度量中的至少一种；所述无线测量信息包括当前参考信号接收功率、当前参考信号接收质量以及当前信号与干扰加噪声比中的至少一种；
12.接入和移动管理功能网元将所述用户设备的第一设备特征信息发送给网络数据分析功能网元，所述网络数据分析功能网元根据用户设备的设备标识，获取所述用户设备的历史轨迹信息。
13.在本公开的一种示例性实施例中，根据所述第一设备特征信息确定所述用户设备的设备移动趋势，包括：
14.根据所述第一设备特征信息中的位置信息以及移动速度，确定所述用户设备的设备移动趋势。
15.在本公开的一种示例性实施例中，对所述用户设备进行下线处理，包括：
16.计算所述用户设备离开所述当前在线限定区域的离开行为次数，并根据所述离开行为次数确定所述用户设备的设备下线时间；
17.根据所述设备下线时间以及所述用户设备离开所述当前在线限定区域的离开时间节点，确定所述用户设备的下线终止时间节点；
18.控制所述用户设备在所述离开时间节点以及下线终止时间节点的时间段内，处于下线状态。
19.在本公开的一种示例性实施例中，所述用户设备的上下线调度方法还包括：
20.在检测到所述下线终止时间节点结束后，获取用户设备在与下线终止时间节点对应的时刻的第二设备特征信息；
21.根据所述第二设备特征信息判断所述用户设备是否已返回所述当前在线限定区域；
22.若所述用户设备已返回所述当前在线限定区域，则控制所述用户设备处于在线状态；
23.若所述用户设备未返回所述当前在线限定区域，则控制所述用户设备处于下线状态，直至所述用户设备返回所述当前在线限定区域。
24.在本公开的一种示例性实施例中，根据所述离开行为次数确定所述用户设备的设备下线时间，包括：
25.根据所述离开行为次数为所述用户设备每一次离开所述当前在线限定区域的设备离开行为配置权重值；
26.根据所述设备离开行为的标准下线时间以及所述权重值，确定所述用户设备的设备下线时间。
27.在本公开的一种示例性实施例中，根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，包括：
28.对所述历史轨迹信息进行分段，得到原始轨迹数据段，并利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征；
29.利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，并对各所述原始轨迹数据段的局部时间特征以及局部空间特征进行拼接，得到局部时空特征；
30.利用预设的融入注意力机制的双向长短期记忆网络，对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及设备移动趋势，确定所述用户设备的预测轨迹信息。
31.在本公开的一种示例性实施例中，所述长短期时间记忆网络包括遗忘门、输入门和输出门；
32.其中，利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进
行更新，得到局部时间特征，包括：
33.利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率，并利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；
34.根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞状态，并基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征。
35.在本公开的一种示例性实施例中，利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，包括：
36.对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，并利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征。
37.在本公开的一种示例性实施例中，对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，包括：
38.将各所述原始轨迹数据段中的起点和终点间连线的中点作为所述二维矩阵图像的中心点；
39.将各所述原始轨迹数据段所属的地理空间进行平均划分，得到网格空间，并在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。
40.在本公开的一种示例性实施例中，所述预设的卷积神经网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层以及特征折叠层；
41.其中，利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征，包括：
42.利用第一卷积层以及第一池化层对所述二维矩阵图像进行卷积和池化处理，以提取所述二维矩阵图像中的低层空间特征；
43.利用第二卷积层以及第二池化层对所述低层空间特征进行卷积和池化处理，以提取所述二维矩阵图像的高层空间特征；
44.利用所述特征折叠层对所述高层空间特征进行特征折叠，得到所述局部空间特征。
45.在本公开的一种示例性实施例中，所述融入注意力机制的双向长短期记忆网络包括前向长短期记忆网络隐藏层单元、后向长短期记忆网络隐藏层单元、注意力层以及全连接层；
46.其中，利用构建的融入注意力机制的双向长短期记忆网络对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及第一设备特征信息，确定所述用户设备的预测轨迹信息，包括：
47.将所述局部时空特征输入前向长短期记忆网络隐藏层单元，得到第一单元输出，并将所述局部时空特征输入后向长短期记忆网络隐藏层单元，得到第二单元输出；
48.对所述第一单元输出和所述第二单元输出进行拼接，得到全局时空特征，并将所述全局时空特征信息输入注意力层，得到各所述原始轨迹数据段的第二权重；
49.将所述第二权重以及设备移动趋势输入全连接层，得到所述用户设备的预测轨迹信息。
50.根据本公开的一个方面，提供一种用户设备的上下线调度装置，包括：
51.设备移动趋势确定模块，用于获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；
52.当前移动行为确定模块，可以用于根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；
53.当前在线限定区域更新模块，用于若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；
54.设备下线处理模块，用于若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
55.根据本公开的一个方面，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任意一项所述的用户设备的上下线调度方法。
56.根据本公开的一个方面，提供一种电子设备，包括：
57.处理器；以及
58.存储器，用于存储所述处理器的可执行指令；
59.其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的用户设备的上下线调度方法。
60.本公开实施例提供的一种用户设备的上下线调度方法，一方面，通过获取用户设备的第一设备特征信息以及历史轨迹信息，并根据第一设备特征信息确定用户设备的设备移动趋势；然后根据设备移动趋势以及历史轨迹信息，确定用户设备的预测轨迹信息，并根据预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；并在确定用户设备的当前移动行为属于正常移动行为时，控制用户设备持续处于在线状态，并根据预测轨迹信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域；再在确定用户设备的当前移动行为属于异常移动行为时，对用户设备进行下线处理；由于可以根据当前移动行为是否合理来确定用户设备的在线状态或下线状态，进而解决了先有技术中由于未考虑到用户设备本身的活动规律，进而使得上下线调度结果的准确率较低的问题，提高了用户体验；另一方面，由于可以根据目的位置信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域，进而提高了用户设备的在线限定区域的精确度，进而进一步的提高了上下线调度结果的准确率。
61.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
62.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1示意性示出根据本公开示例实施例的一种用户设备的上下线调度方法的流程图。
64.图2示意性示出根据本公开示例实施例的一种用户设备的上下线调度系统的框图。
65.图3示意性示出根据本公开示例实施例的一种轨迹预测模型的结构示例图。
66.图4示意性示出根据本公开示例实施例的一种根据设备移动趋势以及历史轨迹信息，确定用户设备的预测轨迹信息的方法流程图。
67.图5示意性示出根据本公开示例实施例的一种长短期时间记忆网络的示例图。
68.图6示意性示出根据本公开示例实施例的一种卷积神经网络模型的示例图。
69.图7示意性示出根据本公开示例实施例的一种融入注意力机制的双向长短期记忆网络的示例图。
70.图8示意性示出根据本公开示例实施例的另一种用户设备的上下线调度方法的流程图。
71.图9示意性示出根据本公开示例实施例的一种用户设备的上下线调度装置的框图。
72.图10示意性示出根据本公开示例实施例的一种用于实现上述用户设备的上下线调度方法的电子设备。
具体实施方式
73.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
74.此外，附图仅为本公开的示意性图解，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。
75.5g核心网网元nwdaf(network data analytics function，网络数据分析功能)网元对ue(user equipment，用户设备)位置异常进行检测与处理。具体的，相关要求，多数ue需要限定在某区域内活动，如超出限定活动区域即进行下线操作。现有下线操作的具体处理过程为：直接对超出限定区域的ue直接进行下线处理，未考虑ue本身的活动规律；例如，如果某一用户的上班地是区域a，家住区域b，并在区域a以及区域b之间规律移动；在此场景下，假设区域a为在线限定区域，则每次该用户离开区域a，用户设备即被下线，给用户带来不良体验。也即，在该下线处理方案中，对ue下线操作比较单一，未采取分级惩罚措施，如下线时长随ue离开限定区域次数增加等。
76.本示例实施方式中首先提供了一种用户设备的上下线调度方法，该方法可以运行
于网络侧所在的服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本公开的方法，本示例性实施例中对此不做特殊限定。具体的，参考图1所示，该用户设备的上下线调度方法可以包括以下步骤：
77.步骤s110.获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；
78.步骤s120.根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；
79.步骤s130.若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；
80.步骤s140.若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
81.上述用户设备的上下线调度方法中，一方面，通过获取用户设备的第一设备特征信息以及历史轨迹信息，并根据第一设备特征信息确定用户设备的设备移动趋势；然后根据设备移动趋势以及历史轨迹信息，确定用户设备的当前移动行为是否属于正常移动行为；并在确定用户设备的当前移动行为属于正常移动行为时，控制用户设备持续处于在线状态，并根据预测轨迹信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域；再在确定用户设备的当前移动行为属于异常移动行为时，对用户设备进行下线处理；由于可以根据当前移动行为是否合理来确定用户设备的在线状态或下线状态，进而解决了先有技术中由于未考虑到用户设备本身的活动规律，进而使得上下线调度结果的准确率较低的问题，提高了用户体验；另一方面，由于可以根据目的位置信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域，进而提高了用户设备的在线限定区域的精确度，进而进一步的提高了上下线调度结果的准确率。
82.以下，将结合附图对本公开示例实施例所记载的用户设备的上下线调度方法进行详细的解释以及说明。
83.首先，对本公开示例实施例中所涉及到的用户设备进行解释及说明。
84.本公开示例实施例中所涉及到的用户设备(user equipment，ue)，也可以被称为是终端设备，其可以是一种具有无线收发功能的设备，该用户设备可以经无线接入网(radio access network，ran)与核心网进行通信，与ran交换语音和/或数据。该用户设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。所述用户设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端、增强现实(augmented reality，ar)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。
85.该用户设备例如可以包括无线用户设备、移动用户设备、设备到设备通信(device-to-device，d2d)用户设备、车与外界(vehicle-to-everything，v2x)用户设备、机
器到机器/机器类通信(machine-to-machine/machine-type communications，m2m/mtc)用户设备、物联网(internet of things，iot)用户设备、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、远程站(remote station)、接入点(access point，ap)、远程终端(remote terminal)、用户站(customer premises equipment，cpe)、固定无线接入(fixed wireless access，fwa)、接入终端(access terminal)、用户终端(user terminal)、用户代理(user agent)、或用户装备(user device)等。例如，可以包括移动电话(或称为“蜂窝”电话)，具有移动用户设备的计算机，便携式、袖珍式、手持式、计算机内置的移动装置等。例如，个人通信业务(personal communication service，pcs)电话、无绳电话、会话发起协议(session initiation protocol，sip)话机、无线本地环路(wireless local loop，wll)站、个人数字助理(personal digital assistant，pda)、等设备。还包括受限设备，例如功耗较低的设备，或存储能力有限的设备，或计算能力有限的设备等。例如包括条码、射频识别(radio frequency identification，rfid)、传感器、全球定位系统(global positioning system，gps)、激光扫描器等信息传感设备。
86.作为示例而非限定，在本技术实施例中，该用户设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备或智能穿戴式设备等，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能头盔、智能首饰等。
87.其次，对本公开示例实施例的发明目的进行解释以及说明。具体的，在现有的用户设备的上下线调度方法中，是直接对超出限定区域的ue直接进行下线处理，未考虑ue本身的活动规律，给用户带来不良体验，因此需要考虑利用用户行为特征实现柔性位置限定，解决用户体验差的问题；并且，现有方案对ue下线操作比较单一；因此，如何使用分级处罚措施进而实现在提升对终端用户的警示性的基础上，在一定程度上避免其移除限定区域的不合理行为。基于此，本公开示例实施例所提供的用户设备的上下线调度方法，至少需要实现如下目的：一方面，对ue离开限定区域采取分级处罚措施，基于终端用户的行为特征，下线时长随离开限定区域次数增加逐渐增加，对未能返回限定区域的ue使其一直处于下线状态；另一方面，学习用户行为特征，对于规律移动的ue采取柔性位置限定。
88.进一步的，对本公开示例实施例所记载的用户设备的上下线调度系统进行解释以及说明。具体的，参考图2所示，该用户设备的上下线调度系统可以包括用户设备210、接入和移动管理功能(amf，access and mobility management function)网元220以及nwdaf(network data analytics function，网络数据分析功能)网元；其中，用户设备可以通过有线网络或者无线网络的方式与接入和移动管理功能网元通信连接，接入和移动管理功能网元与网络数据分析功能网元通信连接。在实际应用的过程中，用户设备用于向接入和移动管理功能网元上报设备特征信息，接入和移动管理功能网元用于将接收到的设备特征信息发送至网络数据分析功能网元；同时，网络数据分析功能网元用于根据设备特征信息以
及历史轨迹信息对用户设备的上下线状态进行调度。
89.以下，将结合图2对图1中所示出的用户设备的上下线调度方法进行进一步的解释以及说明。具体的：
90.在步骤s110中，获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；
91.在本示例实施例中，首先，获取用户设备的第一设备特征信息以及历史轨迹信息；具体的，可以通过如下方式实现：接入和移动管理功能网元接收用户设备发送的用户设备的第一设备特征信息；其中，所述第一设备特征信息包括用户设备的位置信息、用户设备的移动速度以及用户设备的无线测量信息中的至少一种，所述位置信息包括用户设备当前所在的小区信息、用户设备的坐标位置以及用户设备的位置度量中的至少一种；所述无线测量信息包括当前参考信号接收功率、当前参考信号接收质量以及当前信号与干扰加噪声比中的至少一种；接入和移动管理功能网元将所述用户设备的第一设备特征信息发送给网络数据分析功能网元，所述网络数据分析功能网元根据用户设备的设备标识，获取所述用户设备的历史轨迹信息。
92.也即，在实际应用的过程中，首先，可以通过接入和移动管理功能(amf，access and mobility management function)网元接收用户设备上传的第一设备特征信息；其中，此处所记载的第一设备特征信息可以包括ue的位置信息、ue的移动速度以及ue的无线测量信息；同时，ue的位置信息至少可以包括ue当前所在的小区信息、ue的坐标位置、ue的位置度量等等ue的无线测量信息至少包括rsrp(reference signal receiving power，参考信号接收功率)、rsrq(reference signal receiving quality，参考信号接收质量)以及sinr(signal to interference plus noise ratio，信号与干扰加噪声比)等测量值；然后，当amf接收到该第一设备特征信息时，即可将该第一设备特征信息发送至nwdaf(network data analytics function，网络数据分析功能)网元，并在nwdaf中实现具体的轨迹预测过程。
93.进一步的，在nwdaf网元中，首先，需要根据设备标识获取该用户设备的历史轨迹信息；其中，历史轨迹信息可以从用户面功能网元中获取；其次，根据第一设备特征信息确定用户设备的设备移动趋势；其中，设备移动趋势的具体确定过程可以通过如下方式实现：根据所述第一设备特征信息中的位置信息以及移动速度，确定所述用户设备的设备移动趋势。也即，可以多个连续时刻的位置信息以及移动速度，确定该用户设备在当前时间段内的设备移动趋势；其中，在设备移动趋势的确定过程中，可以根据位置信息在地图中定位，进而根据地图中包括的线路以及用户设备在地图中出现的多个不同位置点以及该设备的移动速度，即可得到设备移动趋势。
94.在步骤s120中，根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为。
95.具体的，预测轨迹信息的确定过程中，需要基于相应的轨迹预测模型来实现。同时，参考图3所示，该轨迹预测模型可以包括输入层310、长短期时间记忆网络(long short-term memory，lstm)320、卷积神经网络(convolutional neural networks，cnn)模型330、特征拼接层340、融入注意力机制的双向长短期记忆网络350以及输出层360；其中，输入层
与长短期时间记忆网络模型以及卷积神经网络模型分别连接；长短期时间记忆网络模型以及卷积神经网络模型分别与特征拼接层连接，特征拼接层、融入注意力机制的双向长短期记忆网络以及输出层依次连接。同时，该轨迹预测模型中各部分的具体用途会在后文一一叙述，此处不进行进一步的限定。
96.在一种示例实施例中，参考图4所示，根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，可以包括以下步骤：
97.步骤s410，对所述历史轨迹信息进行分段，得到原始轨迹数据段，并利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征。
98.在本示例实施例中，首先，对历史轨迹信息进行分段进而得到多个原始轨迹数据段；具体的，在对历史轨迹信息进行分段的过程中，可以以固定时间间隔对历史轨迹信息进行分段，得到多个原始轨迹数据段；同时，还需要根据各原始轨迹数据段在历史轨迹信息中的先后顺序对各原始轨迹数据段进行排序，以使得各个原始轨迹数据段可以反应片段内部的时空特征。其次，利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征。其中，局部时间特征的具体生成过程，可以通过如下方式实现：首先，利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率，并利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；其次，根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞状态，并基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征。
99.在一种示例实施例中，参考图5所示，此处所记载的长短期时间记忆网络，可以包括遗忘门501、输入门502和输出门503；也即，在实际应用的过程中，可以基于遗忘门、输入门以及输出门来实现记忆单元的控制。例如，对于原始轨迹数据段来说，在通过三个门控单元进行原始轨迹数据段处理进而得到局部时间特征的过程中，首先，需要通过遗忘门来决定需要丢弃多少信息；比如，遗忘门会读取上一个隐藏层单元的输出和当前输入，进而输出一个0到1之间的数值用于表示信息的保留率；然后，由输入门决定让多少新的信息加入当前状态；在实际应用过程中，该步骤可以分为两个部分来完成：一部分为：由激活函数sigmoid层计算信息更新总量，再由tanh层生成候选状态；另一部分为：根据候选状态得到更新的细胞状态；最后，输出门根据更新的细胞状态得到局部时间特征。
100.步骤s420，利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，并对各所述原始轨迹数据段的局部时间特征以及局部空间特征进行拼接，得到局部时空特征。
101.在本示例实施例中，首先，利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征。具体的，可以通过如下方式实现：对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，并利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征。也即，在实际应用的过程中，单纯提取全局空间特征无法体现轨迹在时间维度上的差异；因此，还需要选择对分段处理后各个时间跨度相同的原始轨迹数据段分别进行局部空间特征。
102.在一种示例实施例中，对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，可以通过如下方式实现：首先，将各所述原始轨迹数据段中的起点和终点间连线的中点作为所述二维矩阵图像的中心点；其次，将各所述原始轨迹数据段所属的地理空间进行平
均划分，得到网格空间，并在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。也即，在进行局部空间特征前，首先需要对原始轨迹数据段进行图像化处理；其中，在图像化处理的过程中，可以以原始轨迹数据段的起点与终点间的连线的中点作为图像中心点，再将每个原始轨迹数据段所属的地理空间平均划分成网格空间，进而基于图像中点以及网格空间得到二维矩阵图像。
103.在一种示例实施例中，利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征，可以通过如下方式实现：首先，利用第一卷积层以及第一池化层对所述二维矩阵图像进行卷积和池化处理，以提取所述二维矩阵图像中的低层空间特征；其次，利用第二卷积层以及第二池化层对所述低层空间特征进行卷积和池化处理，以提取所述二维矩阵图像的高层空间特征；然后，利用所述特征折叠层对所述高层空间特征进行特征折叠，得到所述局部空间特征。具体的，参考图6所示，此处所记载的卷积神经网络模型可以包括第一卷积层601、第一池化层602、第二卷积层603、第二池化层604以及特征折叠层605，并且，第一卷积层、第一池化层、第二卷积层、第二池化层以及特征折叠层依次连接。
104.步骤s430，利用预设的融入注意力机制的双向长短期记忆网络，对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及设备移动趋势，确定所述用户设备的预测轨迹信息。
105.具体的，利用构建的融入注意力机制的双向长短期记忆网络对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及第一设备特征信息，确定所述用户设备的预测轨迹信息，可以通过如下方式实现：首先，将所述局部时空特征输入前向长短期记忆网络隐藏层单元，得到第一单元输出，并将所述局部时空特征输入后向长短期记忆网络隐藏层单元，得到第二单元输出；其次，对所述第一单元输出和所述第二单元输出进行拼接，得到全局时空特征，并将所述全局时空特征信息输入注意力层，得到各所述原始轨迹数据段的第二权重；然后，将所述第二权重以及设备移动趋势输入全连接层，得到所述用户设备的预测轨迹信息。具体的，参考图7所示，此处所记载的融入注意力机制的双向长短期记忆网络可以包括前向长短期记忆网络隐藏层单元701、后向长短期记忆网络隐藏层单元702、注意力层703以及全连接层704；其中，前向长短期记忆网络隐藏层单元以及后向长短期记忆网络隐藏层单元分别与注意力层连接，注意力层与全连接层连接。
106.此处需要补充说明的是，在实际应用的过程中，前向长短期记忆网络隐藏层单元以及后向长短期记忆网络隐藏层单元的输入为局部时空特征，注意力层的输入为第一单元输出以及第二单元输出；全连接层的输入为第一设备特征信息以及注意力层的输出；也即，在确定用户设备的预测轨迹信息的过程中，需要同时考虑到用户设备的设备移动趋势，还需要考虑到历史轨迹信息，进而得到预测轨迹信息；通过该方式，大大的提高了所得到的预测轨迹信息的准确度。
107.进一步的在得到用户设备的预测轨迹信息后，即可根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为。其中，具体的判断过程可以包括：判断预测轨迹信息是否包含在历史轨迹信息中，若预测轨迹信息包含在历史轨迹信息中，且该历史轨迹信息在特定时间段内的出现次数大于一定的阈值，则可以认为当
前移动行为属于正常移动行为；若预测轨迹信息包含在历史轨迹信息中，但是历史轨迹信息在特定时间段内的出现次数小于上述阈值，则可以认为当前移动行为属于异常移动行为；又或者，若预测轨迹信息未包含在历史轨迹信息中，则可以认为当前移动行为属于异常移动行为。
108.在步骤s130中，若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域。
109.具体的，如果属于正常移动行为，则不用对用户设备进行下线处理，并基于预测轨迹信息对现有的在线限定区域进行更新，进而得到目标在线限定区域。此处需要补充说明的是，在实际应用的过程中，若用户频繁的来往于不同的区域，则可以根据来往次数扩大目标在线限定区域；也即，可能存在的一种情况是，用户在刚开始来往不同的区域时，可能刚离开区域a用户设备就下线了；但是，频繁的往来一段时间以后，用户设备在b区域也可以处于在线状态；通过这种方式，可以实现设备掉线到在线限定区域的柔性限制的转变，进而达到提高用户体验的目的。
110.当然，在一种可能的示例实施例中，为了节省通信资源，间隔特定的时间段也会对用户设备的目标在线限定区域进行更新，具体的更新方式为：间隔特定时间，统计用户设备在该特定时间段内来往目标在线限定区域中所包括的所有子区域的次数；对于来往次数过少的区域可以删除，进而达到节省资源的目的。
111.在步骤s140中，若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
112.在本示例实施例中，对用户设备进行下线处理具体可以通过如下方式实现：首先，计算所述用户设备离开所述当前在线限定区域的离开行为次数，并根据所述离开行为次数确定所述用户设备的设备下线时间；其次，根据所述设备下线时间以及所述用户设备离开所述当前在线限定区域的离开时间节点，确定所述用户设备的下线终止时间节点；最后，控制所述用户设备在所述离开时间节点以及下线终止时间节点的时间段内，处于下线状态。其中，根据所述离开行为次数确定所述用户设备的设备下线时间，可以通过如下方式实现：首先，根据所述离开行为次数为所述用户设备每一次离开所述当前在线限定区域的设备离开行为配置权重值；其次，根据所述设备离开行为的标准下线时间以及所述权重值，确定所述用户设备的设备下线时间。
113.也即，在实际应用的过程中，如果用户设备是第一次离开当前在线限定区域，则可以设定一个标准的设备下线时间；如果是多次离开当前在线限定区域，则可以为每一次的离开行为配置一个权重值，离开的次数越多，则越后离开的行为所具有的权重值越大；在此基础上，对标准的设备下线时间以及每一次的离开行为对应的权重值进行加权求和即可得到该次的设备下线时间，进而控制用户设备在设备下线时间段内处于下线状态。此处需要补充说明的是，之所以设置权重值，是为了采取分级处罚措施；也即，根据离开次数确定处罚等级；当然，当离开次数满足一定的条件时，即可扩充当前在线限定区域。通过该方式，进一步的提升了用户体验。
114.此处需要进一步补充说明的是，在用户设备下线处理的过程中，可以通过如下方式实现：首先，nwdaf网元在确定用户设备的当前移动行为为异常移动行为时，则直接计算
用户设备的设备下线时间，并将设备下线时间发送至amf，amf在接收到设备下线时间后，即可通知用户设备下线。
115.在一种示例实施例中，该用户设备的上下线调度方法还包括：在检测到所述下线终止时间节点结束后，获取用户设备在与下线终止时间节点对应的时刻的第二设备特征信息；根据所述第二设备特征信息判断所述用户设备是否已返回所述当前在线限定区域；若所述用户设备已返回所述当前在线限定区域，则控制所述用户设备处于在线状态；若所述用户设备未返回所述当前在线限定区域，则控制所述用户设备处于下线状态，直至所述用户设备返回所述当前在线限定区域。也即，在监测到设备下线时间截止后，可以再次根据用户设备上传的第二设备特征信息中的位置信息判断该用户设备是否返回了当前在线限定区域，若已返回，则通知用户设备可以上线；若未返回，则继续对设备进行下线处理，直至用户设备返回当前在线限定区域；同时，若用户设备在设备下线时间段内返回了当前在线限定区域，也无法进行上线。其中，用户设备在上线的过程中可以通过如下方式实现：amf间隔设备下线时间检测该用户设备是否返回当前在线限定区域；若返回，则通知该用户设备上线。
116.以下，将结合图8对本公开示例实施例所记载的用户设备的上下线调度方法进行进一步的解释以及说明。具体的，参考图8所示，该用户设备的上下线调度方法可以包括以下步骤：
117.步骤s801，获取用户设备的第一设备特征信息以及历史轨迹信息，并根据第一设备特征信息确定用户设备的设备移动趋势；
118.步骤s802，根据设备移动趋势以及历史轨迹信息，确定用户设备的预测轨迹信息；
119.步骤s803，根据预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；若是，则跳转至步骤s804；若否，则跳转至步骤s805；
120.步骤s804，控制用户设备持续处于在线状态，并根据预测轨迹信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域；
121.步骤s805，计算用户设备离开当前在线限定区域的离开行为次数，并根据离开行为次数确定用户设备的设备下线时间；
122.步骤s806，根据设备下线时间以及用户设备离开当前在线限定区域的离开时间节点，确定用户设备的下线终止时间节点，并控制用户设备在离开时间节点以及下线终止时间节点的时间段内，处于下线状态。
123.也即，在实际应用的过程中，当ue位置发生变动时，结合终端用户历史行为特征和ue移动趋势，对将要离开(或已离开)限定区域的ue判断其行为是否合理；若不合理，则对ue采取分级处罚措施，下线时长随离开限定区域次数增加逐渐增加；同时，判断下线时长结束后ue是否返回限定区域；若返回，则使ue上线，否则直到ue返回限定区域才允许ue上线；进一步的，若合理，则将ue纳入柔性位置限定，即扩充该ue的限定区域。
124.至此，本公开示例实施例所记载的用户设备的上下线调度方法已经全部实现。基于前述记载的内容可以得知，本公开示例实施例所记载的设备上下线的调度方法，一方面，本公开示例实施例提出了分级处罚措施和柔性位置限定，且可以实现分级处罚措施到柔性位置限定的动态转换(也即在往来次数达到一定阈值的时候扩大当前在线限定区域)，从而可以解决现有技术未对ue下线时长进行分级处罚操作的问题以及未提及柔性位置限定的
问题；另一方面，还可以在ue位置发生变动时，结合终端用户历史行为特征和ue移动趋势，对将要离开(或已离开)限定区域的ue判断其行为是否合理，合理的话纳入柔性位置限定，扩充限定区域，否则对ue采取分级处罚措施；同时，对将要离开(或已离开)限定区域且行为不合理的ue采取分级处罚措施，下线时长随离开限定区域次数增加逐渐增加；进一步的，还可以对施以分级处罚的ue判断下线时长结束后是否返回限定区域。若返回，则使ue上线，否则直到ue返回限定区域才允许ue上线。
125.下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
126.本公开示例实施例还提供了一种用户设备的上下线调度装置。具体的，参考图9所示，该用户设备的上下线调度装置可以包括设备移动趋势确定模块910、当前移动行为确定模块920、当前在线限定区域更新模块930以及设备下线处理模块940。其中：
127.设备移动趋势确定模块910，可以用于获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；
128.当前移动行为确定模块920，可以用于根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；
129.当前在线限定区域更新模块930，可以用于若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；
130.设备下线处理模块940，可以用于若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
131.在本公开的一种示例性实施例中，获取用户设备的第一设备特征信息以及历史轨迹信息，包括：接入和移动管理功能网元接收用户设备发送的用户设备的第一设备特征信息；其中，所述第一设备特征信息包括用户设备的位置信息、用户设备的移动速度以及用户设备的无线测量信息中的至少一种，所述位置信息包括用户设备当前所在的小区信息、用户设备的坐标位置以及用户设备的位置度量中的至少一种；所述无线测量信息包括当前参考信号接收功率、当前参考信号接收质量以及当前信号与干扰加噪声比中的至少一种；接入和移动管理功能网元将所述用户设备的第一设备特征信息发送给网络数据分析功能网元，所述网络数据分析功能网元根据用户设备的设备标识，获取所述用户设备的历史轨迹信息。
132.在本公开的一种示例性实施例中，根据所述第一设备特征信息确定所述用户设备的设备移动趋势，包括：根据所述第一设备特征信息中的位置信息以及移动速度，确定所述用户设备的设备移动趋势。
133.在本公开的一种示例性实施例中，对所述用户设备进行下线处理，包括：计算所述用户设备离开所述当前在线限定区域的离开行为次数，并根据所述离开行为次数确定所述用户设备的设备下线时间；根据所述设备下线时间以及所述用户设备离开所述当前在线限定区域的离开时间节点，确定所述用户设备的下线终止时间节点；控制所述用户设备在所述离开时间节点以及下线终止时间节点的时间段内，处于下线状态。
134.在本公开的一种示例性实施例中，所述用户设备的上下线调度装置还包括：
135.第二设备特征信息获取模块，可以用于在检测到所述下线终止时间节点结束后，获取用户设备在与下线终止时间节点对应的时刻的第二设备特征信息；
136.用户设备所在区域判断模块，可以用于根据所述第二设备特征信息判断所述用户设备是否已返回所述当前在线限定区域；
137.第一设备控制模块，可以用于若所述用户设备已返回所述当前在线限定区域，则控制所述用户设备处于在线状态；
138.第二设备控制模块，可以用于若所述用户设备未返回所述当前在线限定区域，则控制所述用户设备处于下线状态，直至所述用户设备返回所述当前在线限定区域。
139.在本公开的一种示例性实施例中，根据所述离开行为次数确定所述用户设备的设备下线时间，包括：根据所述离开行为次数为所述用户设备每一次离开所述当前在线限定区域的设备离开行为配置权重值；根据所述设备离开行为的标准下线时间以及所述权重值，确定所述用户设备的设备下线时间。
140.在本公开的一种示例性实施例中，根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，包括：对所述历史轨迹信息进行分段，得到原始轨迹数据段，并利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征；利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，并对各所述原始轨迹数据段的局部时间特征以及局部空间特征进行拼接，得到局部时空特征；利用预设的融入注意力机制的双向长短期记忆网络，对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及设备移动趋势，确定所述用户设备的预测轨迹信息。
141.在本公开的一种示例性实施例中，所述长短期时间记忆网络包括遗忘门、输入门和输出门；其中，利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征，包括：利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率，并利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞状态，并基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征。
142.在本公开的一种示例性实施例中，利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，包括：对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，并利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征。
143.在本公开的一种示例性实施例中，对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，包括：将各所述原始轨迹数据段中的起点和终点间连线的中点作为所述二维矩阵图像的中心点；将各所述原始轨迹数据段所属的地理空间进行平均划分，得到网格空间，并在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。
144.在本公开的一种示例性实施例中，所述预设的卷积神经网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层以及特征折叠层；其中，利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征，包括：利用第一卷积层以及第一池化层对所述二维矩阵图像进行卷积和池化处理，以提取所述二维矩阵图像
中的低层空间特征；利用第二卷积层以及第二池化层对所述低层空间特征进行卷积和池化处理，以提取所述二维矩阵图像的高层空间特征；利用所述特征折叠层对所述高层空间特征进行特征折叠，得到所述局部空间特征。
145.在本公开的一种示例性实施例中，所述融入注意力机制的双向长短期记忆网络包括前向长短期记忆网络隐藏层单元、后向长短期记忆网络隐藏层单元、注意力层以及全连接层；其中，利用构建的融入注意力机制的双向长短期记忆网络对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及第一设备特征信息，确定所述用户设备的预测轨迹信息，包括：将所述局部时空特征输入前向长短期记忆网络隐藏层单元，得到第一单元输出，并将所述局部时空特征输入后向长短期记忆网络隐藏层单元，得到第二单元输出；对所述第一单元输出和所述第二单元输出进行拼接，得到全局时空特征，并将所述全局时空特征信息输入注意力层，得到各所述原始轨迹数据段的第二权重；将所述第二权重以及设备移动趋势输入全连接层，得到所述用户设备的预测轨迹信息。
146.上述用户设备的上下线调度装置中各模块的具体细节已经在对应的用户设备的上下线调度方法中进行了详细的描述，因此此处不再赘述。
147.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
148.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
149.在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
150.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
151.下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
152.如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
153.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图1中所示的步骤s110：获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；步骤s120：根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；步骤s130：若所述用户设备的当前移动行为属于正
常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；步骤s140：若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。
154.存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(rom)10203。
155.存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
156.总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
157.电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
158.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
159.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
160.根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
161.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读
存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
162.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
163.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
164.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
165.此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
166.本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

技术特征：
1.一种用户设备的上下线调度方法，其特征在于，包括：获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。2.根据权利要求1所述的用户设备的上下线调度方法，其特征在于，获取用户设备的第一设备特征信息以及历史轨迹信息，包括：接入和移动管理功能网元接收用户设备发送的用户设备的第一设备特征信息；其中，所述第一设备特征信息包括用户设备的位置信息、用户设备的移动速度以及用户设备的无线测量信息中的至少一种，所述位置信息包括用户设备当前所在的小区信息、用户设备的坐标位置以及用户设备的位置度量中的至少一种；所述无线测量信息包括当前参考信号接收功率、当前参考信号接收质量以及当前信号与干扰加噪声比中的至少一种；接入和移动管理功能网元将所述用户设备的第一设备特征信息发送给网络数据分析功能网元，所述网络数据分析功能网元根据用户设备的设备标识，获取所述用户设备的历史轨迹信息。3.根据权利要求1所述的用户设备的上下线调度方法，其特征在于，根据所述第一设备特征信息确定所述用户设备的设备移动趋势，包括：根据所述第一设备特征信息中的位置信息以及移动速度，确定所述用户设备的设备移动趋势。4.根据权利要求1所述的用户设备的上下线调度方法，其特征在于，对所述用户设备进行下线处理，包括：计算所述用户设备离开所述当前在线限定区域的离开行为次数，并根据所述离开行为次数确定所述用户设备的设备下线时间；根据所述设备下线时间以及所述用户设备离开所述当前在线限定区域的离开时间节点，确定所述用户设备的下线终止时间节点；控制所述用户设备在所述离开时间节点以及下线终止时间节点的时间段内，处于下线状态。5.根据权利要求4所述的用户设备的上下线调度方法，其特征在于，所述用户设备的上下线调度方法还包括：在检测到所述下线终止时间节点结束后，获取用户设备在与下线终止时间节点对应的时刻的第二设备特征信息；根据所述第二设备特征信息判断所述用户设备是否已返回所述当前在线限定区域；若所述用户设备已返回所述当前在线限定区域，则控制所述用户设备处于在线状态；
若所述用户设备未返回所述当前在线限定区域，则控制所述用户设备处于下线状态，直至所述用户设备返回所述当前在线限定区域。6.根据权利要求4所述的用户设备的上下线调度方法，其特征在于，根据所述离开行为次数确定所述用户设备的设备下线时间，包括：根据所述离开行为次数为所述用户设备每一次离开所述当前在线限定区域的设备离开行为配置权重值；根据所述设备离开行为的标准下线时间以及所述权重值，确定所述用户设备的设备下线时间。7.根据权利要求1所述的用户设备的上下线调度方法，其特征在于，根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，包括：对所述历史轨迹信息进行分段，得到原始轨迹数据段，并利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征；利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，并对各所述原始轨迹数据段的局部时间特征以及局部空间特征进行拼接，得到局部时空特征；利用预设的融入注意力机制的双向长短期记忆网络，对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及设备移动趋势，确定所述用户设备的预测轨迹信息。8.根据权利要求7所述的用户设备的上下线调度方法，其特征在于，所述长短期时间记忆网络包括遗忘门、输入门和输出门；其中，利用预设的长短期时间记忆网络对各所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征，包括：利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率，并利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞状态，并基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征。9.根据权利要求7所述的用户设备的上下线调度方法，其特征在于，利用预设的卷积神经网络模型对所述原始轨迹数据段进行特征提取，得到局部空间特征，包括：对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，并利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征。10.根据权利要求9所述的用户设备的上下线调度方法，其特征在于，对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，包括：将各所述原始轨迹数据段中的起点和终点间连线的中点作为所述二维矩阵图像的中心点；将各所述原始轨迹数据段所属的地理空间进行平均划分，得到网格空间，并在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。11.根据权利要求9所述的用户设备的上下线调度方法，其特征在于，所述预设的卷积神经网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层以及特征折叠层；
其中，利用预设的卷积神经网络模型对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征，包括：利用第一卷积层以及第一池化层对所述二维矩阵图像进行卷积和池化处理，以提取所述二维矩阵图像中的低层空间特征；利用第二卷积层以及第二池化层对所述低层空间特征进行卷积和池化处理，以提取所述二维矩阵图像的高层空间特征；利用所述特征折叠层对所述高层空间特征进行特征折叠，得到所述局部空间特征。12.根据权利要求7所述的用户设备的上下线调度方法，其特征在于，所述融入注意力机制的双向长短期记忆网络包括前向长短期记忆网络隐藏层单元、后向长短期记忆网络隐藏层单元、注意力层以及全连接层；其中，利用构建的融入注意力机制的双向长短期记忆网络对局部时空特征中的双向依赖关系进行捕获，得到全局时空特征，并根据所述全局时空特征以及第一设备特征信息，确定所述用户设备的预测轨迹信息，包括：将所述局部时空特征输入前向长短期记忆网络隐藏层单元，得到第一单元输出，并将所述局部时空特征输入后向长短期记忆网络隐藏层单元，得到第二单元输出；对所述第一单元输出和所述第二单元输出进行拼接，得到全局时空特征，并将所述全局时空特征信息输入注意力层，得到各所述原始轨迹数据段的第二权重；将所述第二权重以及设备移动趋势输入全连接层，得到所述用户设备的预测轨迹信息。13.一种用户设备的上下线调度装置，其特征在于，包括：设备移动趋势确定模块，用于获取用户设备的第一设备特征信息以及历史轨迹信息，并根据所述第一设备特征信息确定所述用户设备的设备移动趋势；当前移动行为确定模块，可以用于根据所述设备移动趋势以及历史轨迹信息，确定所述用户设备的预测轨迹信息，并根据所述预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；当前在线限定区域更新模块，用于若所述用户设备的当前移动行为属于正常移动行为，则控制所述用户设备持续处于在线状态，并根据所述预测轨迹信息对所述用户设备的当前在线限定区域进行更新，得到目标在线限定区域；设备下线处理模块，用于若所述用户设备的当前移动行为属于异常移动行为，则对所述用户设备进行下线处理。14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-12任一项所述的用户设备的上下线调度方法。15.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-12任一项所述的用户设备的上下线调度方法。

技术总结
本公开是关于一种用户设备的上下线调度方法及装置、存储介质、电子设备，涉及通信技术领域，该方法包括：获取用户设备的第一设备特征信息以及历史轨迹信息，并根据第一设备特征信息确定用户设备的设备移动趋势；根据设备移动趋势以及历史轨迹信息，确定用户设备的预测轨迹信息，并根据预测轨迹信息以及历史轨迹信息，判断用户设备的当前移动行为是否属于正常移动行为；若当前移动行为属于正常移动行为，则控制用户设备持续处于在线状态，并根据预测轨迹信息对用户设备的当前在线限定区域进行更新，得到目标在线限定区域；若当前移动行为属于异常移动行为，则对用户设备进行下线处理。本公开提高了用户设备的上下线调度结果的准确率。准确率。准确率。


技术研发人员：冯冬冬 向勇 李凌 李思瑶 郑佳欢
受保护的技术使用者：中国电信股份有限公司
技术研发日：2023.07.14
技术公布日：2023/10/15