1.一种基于seq2seq框架的基站标号轨迹预测方法，其特征在于，所述方法包括以下步骤：

1)基站标号轨迹数据集构建：对用户智能手机当前所连接基站的标号进行连续采集，然后对采集到的数据进行分割得到多个基站标号轨迹，形成基站标号轨迹数据集；

2)基站嵌入：分析基站间的切换模式并构造基站切换图，在此基础上采用图嵌入算法得到基站的向量化表示；

3)基站标号轨迹预测模型训练：采用seq2seq框架构建基站标号轨迹预测模型，并提出一种空间损失函数作为seq2seq框架的损失函数，从而完成基站标号轨迹预测模型的训练；

4)基站标号轨迹预测：将用户当前基站标号轨迹输入训练好的预测模型，模型预测出用户未来最有可能的基站标号轨迹。

2.如权利要求1所述的一种基于seq2seq框架的基站标号轨迹预测方法，其特征在于，所述步骤2)中，给定步骤1)中得到的基站标号轨迹数据集TS，基站标号嵌入的步骤如下：(2-1)基站切换图构建：首先，为TS中出现的每个基站构造一个节点；然后，若基站c1和基站c2在TS中出现过直接切换，包括c1直接切换到c2和c2直接切换到c1，则为c1节点和c2节点构造一条边，边的权重w(c1,c2)的计算方法如公式(1)所示，其中，#h(c1,c2)为c1和c2间直接切换的出现次数，#T(c1,c2)为c1和c2同时出现的轨迹的条数；

(2-2)基于图嵌入的基站向量化：采用无监督图嵌入算法(如DeepWalk、node2vec)对步骤(2-1)得到的基站切换图进行处理，得到表征每个图节点对应基站ci的k维稠密向量xi。

3.如权利要求1或2所述的一种基于seq2seq框架的基站标号轨迹预测方法，其特征在于，所述步骤3)中，基站标号轨迹预测模型训练的步骤如下：(3-1)基于seq2seq框架的预测模型构建：采用seq2seq框架构建基站标号轨迹预测模型，解释如下：输入层：网络的输入为一条基站标号轨迹，记为TA，首先将TA中所有的基站标号替换为其对应的向量，得到一个向量序列vTA，然后将vTA输入编码层；

编码层：编码层用一个LSTM网络处理vTA，处理过程为当前隐状态向量ht由其前一个隐状态向量ht-1和当前基站标号向量xt共同生成，编码层的输出为一个语义向量C，由注意力机制对所有隐状态向量加权平均得到；

解码层：解码层用一个LSTM网络处理C，处理过程为当前隐状态向量st由其前一个隐状态向量st-1和前一个基站标号向量yt-1共同生成，解码层的输出为一个基站标号向量序列vTB；

输出层：输出层将vTB转换成一个基站标号轨迹TB；

(3-2)空间损失函数：首先，根据基站间距离计算基站间损失系数，基站u和v间损失系数lw(u,v)计算方法如公式(2)所示，其中，d(u,v)为基站u和v在步骤(2-1)得到的基站切换图中的最短距离，θ为尺度参数，δ为距离阈值，CS为TS中所有基站的集合；然后，考虑基站间损失系数，基于交叉熵损失函数，提出一种空间损失函数，如公式(3)所示，作为seq2seq框架的损失函数，其中，y1:t-1代表序列y1,y2,...,yt-1，P(c|y1:t-1,C)为解码层预测第t个基站标号为c的概率；

(3-3)预测模型训练：首先，对TS中每一条基站标号轨迹T，将T在不同位置进行分割，每次分割得到两条基站标号轨迹TA和TB作为一个训练样本S＝(TA,TB)，其中TA和TB分别作为模型的输入和输出，将得到的训练样本集合记为SS，然后，将SS输入步骤(3-1)和(3-2)得到的预测模型中，对其进行训练，得到最终的基站标号轨迹预测模型。