1.一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述方法包括如下步骤：(1)历史基站标号轨迹数据集采集：首先对用户智能手机所连接基站的标号发生切换时进行数据采集，然后对采集到的数据进行轨迹分割得到大量基站标号轨迹，以形成历史基站标号轨迹数据集；

(2)基站标号向量化：基于word2vec算法对历史基站标号轨迹数据集进行分析，在此基础上为其中包含的每个基站标号生成一个具有语义的向量；

(3)基站标号轨迹相似度模型训练：基于孪生神经网络训练基站标号轨迹相似度模型，用以估计任意两条基站标号轨迹的相似度；

(4)在线基站标号轨迹分类：给定一条新的基站标号轨迹，将其分类为历史基站标号轨迹类型的一种，或认定其为新的基站标号轨迹类型。

2.如权利要求1所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(2)中，基站标号向量化的过程如下：(2-1)基站标号轨迹“文档”化：将一条基站标号轨迹看作一个“文档”，将其中包含的每个基站标号看作一个“词”，则历史基站标号轨迹数据集可看作一个“语料库”；

(2-2)基站标号向量生成：基于word2vec算法对看作“语料库”的历史基站标号轨迹数据集进行分析，得到其中包含的每个看作“词”的基站标号对应的向量。

3.如权利要求1或2所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(3)中，基站标号轨迹相似度模型训练的过程如下：(3-1)历史基站标号轨迹数据集标注：根据用户的运动路径人工将历史基站标号轨迹分成不同类型，则任意两条基站标号轨迹的关系为1或0，1表示相同类型，0表示不同类型；

(3-2)相似度模型训练：采用孪生神经网络训练相似度模型，对网络结构的解释如下：输入层：网络的输入为两条基站标号轨迹，记为TA和TB，首先将TA和TB中所有的基站标号替换为其对应的向量，得到两条向量序列vTA和vTB；然后通过尾部截断或尾部填充全0向量的方式将vTA和vTB处理成固定相同的长度；

循环层：循环层用两个参数完全共享的GRU网络，记为GRUA和GRUB，分别处理输入的vTA和vTB，循环层的输出为GRUA的最后一个隐状态向量 和GRUB的最后一个隐状态向量交互层：交互层基于余弦相似度计算 和 的相似度；

输出层：输出层的输出为TA和TB的预测相似度值，模型采用对比损失函数作为训练的损失函数。

4.如权利要求1或2所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(4)中，在线基站标号轨迹分类的过程如下：(4-1)历史类型中心基站标号轨迹生成：对用户标注的每一个历史基站标号轨迹类型Ci，在其包含的基站标号轨迹集中找到一条中心基站标号轨迹cTi；

(4-2)当前基站标号轨迹分类：给定一条新的基站标号轨迹nT，基于训练好的基站标号轨迹相似度模型计算nT与每个历史基站标号轨迹类型Ci的中心基站标号轨迹cTi的相似度值si，若其中最大的相似度值si小于指定阈值sThres，或nT中包含的无对应向量的基站标号数量大于指定阈值nThres，则输出一种新的基站标号轨迹类型nC；反之，则输出历史基站标号轨迹类型Ci；

(4-3)历史基站标号轨迹数据集扩充：若nT的分类结果为Ci，则将nT加入Ci对应的基站标号轨迹集，并重新生成Ci的中心基站标号轨迹；若nT的分类结果为nC，则将nC加入历史基站标号轨迹类型集，并将nT作为nC的中心基站标号轨迹。