CN101299834B - 基站位置核查的方法 - Google Patents

Abstract

本发明公开了基站位置核查的方法，先采集小区切换的记录数据得到校正的邻小区关系表，综合小区信息得到的邻小区信息表，通过小区经纬度的坐标记录得到小区和邻小区的距离算得距离列表，对准确性可疑的小区排序得到小区列表，再根据加权平均排名再排列一次得到再次排列的数据，并根据排序的优先顺序核查小区坐标，然后处理排序靠前的可疑坐标小区，重复核查并校正，最后提交校正的小区坐标及邻小区关系数据给LBS平台；本方法根据小区邻小区分布的地理模型来判断小区坐标，能够得到准确的小区位置坐标，可以减少错误的小区坐标数据，避免误差的坐标数据带来的严重错误；还可以以最小的人力成本迅速优化小区坐标数据，为LBS应用打下坚实基础。

Description

基站位置核查的方法

技术领域

本发明涉及通信行业的基站技术领域，特别是在海量的资源数据中基站位置核查的方法。

背景技术

目前中国移动用户移动台能支持gps(Global Positioning System全球定位系统)的很少，因此LBS(Location Based Services位置服务)应用中大多数定位仍是低精度的根据小区坐标的定位，这种定位服务中最关键的数据就是小区的坐标数据。由于小区的坐标数据对非LBS的应用如语音通话短信等并非关键数据，坐标数据维护的频率低，小区信息的变更频繁，人工gps测试后录入的失误等等原因导致小区坐标数据存在很多错误，明显的错误和缺失在数据库中使用一般的查询很容易剔出，但对于不明显的坐标错误，很难简单的剔出，如果对这些小区的坐标进行一次全面的重新定位将是消耗巨大人力的工作，因此，我们需要使用技术手段缩小需要重新定位的小区。通常情况我们会根据小区和邻小区的距离大小进行判断，太远的被认为是可疑的，但这种方法有严重缺陷：首先邻小区关系的准确性值得怀疑，因为邻小区关系表中允许冗余数据存在，因此有大量的邻小区实际已经不是邻小区但仍然存在于邻小区关系表中；其次，城市、郊区和乡村中小区和邻小区的距离存在很大差异，比如在牧区，小区和邻小区的距离就很远，但却是正常的，而在大城市商业区，看似较小的距离却可能有严重错误。

发明内容

本发明为解决上述问题提供了基站位置核查的方法，该方法根据小区邻小区分布的地理模型来判断小区坐标，能够得到准确的小区位置坐标，可以减少错误的小区坐标数据，避免误差的坐标数据带来的严重错误。

本发明的技术方案如下：

基站位置核查的方法，是对将要提供给LBS平台使用的资源数据库中的小区坐标信息进行核查，其特征在于：

A、首先从现网性能数据中采集小区切换的记录数据，得到校正的邻小区关系表；

B、邻小区的信息中存在闲时邻小区和忙时邻小区，同时因为这两类邻小区的数据通常都不全，所以需要综合后得到一个完整的记录，即得到一个完整的邻小区信息表，通过小区经纬度的坐标记录得到小区和邻小区的距离，然后通过小区和邻小区的距离得到一个距离列表；

C、对小区坐标准确性的可疑程度排序，得到排列好的小区列表；

D、根据步骤C得到的小区列表排序再做一次综合排序，就是根据加权平均排名再排列一次，得到再次排列的数据，并根据排序的优先顺序核查小区坐标，然后处理排序靠前的一定数量的小区，所述处理是通过核查坐标数据或者通过gps设备定位基准准确位置；

E、重复步骤A-D，得到反复核查坐标相对可疑的小区坐标数据，对其进行反复校正；

F、提交最终步骤E得到的校正的小区坐标数据及邻小区关系数据给LBS平台，该平台根据用户请求为用户提供地理位置相关服务。

步骤A中所述校正的邻小区关系表是指从现网性能数据中采集最近时段的小区切换的记录数据，设定有小区切换记录的邻小区关系(即小区的邻小区记录表)是真实的，则在邻小区关系表中存在在一段时间范围内小区切换记录中不存在邻小区是不实邻小区，最后从资源数据中剔除所述的不实邻小区，得到一个真实的邻小区关系表。

步骤A中所述现网性能数据是指移动GSM网络中工作的网元设备产生的工作日志记录；所述切换的记录数据是指一个移动用户的移动设备从一个基站移动到另一个基站的位置坐标记录，即不同小区的切换的记录；所述邻小区关系表是指两个小区发生了切换记录，这两个小区必然是邻小区。

步骤C中所述对小区坐标准确性的可疑程度排序通过三种方法综合判断的：

方法一，根据小区、邻小区平均距离在距离数组中的偏离情况判断；

方法二，根据小区、邻小区构成区域中其他小区数量多少进行判断；

方法三，根据小区和邻小区距离在距离的整体分布中偏离情况进行判断。

用所述三种方法进行判断时，根据操作者来得出的权重值来对小区坐标可疑性进行排序，每种方法得出的名次除以权重得到一个值，把每个小区的三个值平均，得到一个三种方法的加权平均值，根据这个数值进行排序，得到最终的异常数据排名，排名越靠前，异常的可能性越大。

所述方法一：

1.计算小区a和它所有邻小区a1，a2，a3…an距离的平均值，每个小区得到一个平均值avg1；

2.计算小区a的邻小区a1和a1自己的邻小区距离的平均值avg2，同样方法法得到a的其余邻小区的平均值，得到一组数据avg1，avg2，avg3…avg(n+1)；

3.对这一组数据运用异常数据算法处理，具体做法是：

a.对这组数据求平均值(avg1+avg2+avg3+…avg(n+1))/(n+1)得到一个新的平均值avgA；

b.求该组数据的中avg1的残差；

c.计算该组数据的标准差；

d.设定某个小区的邻小区坐标全部错误，而该小区坐标正确的概率比相反的情况低，因此avg1的残差与标准差的比值K用来判断数据的异常程度，比值K越大则说明该小区在地理上的距离分布和其邻小区比较越异常；该值同时也是排序的标准。

方法一中所用到的数学公式：

平均值 $\stackrel{\‾}{x}=\frac{1}{n}\underset{i}{\mathrm{\Σ}}{x}_i$

残差    v_i＝x_i-x(i＝1，2，…，n)

标准差 $\mathrm{\σ}=\sqrt{{(n-1)}^{-1}\underset{i}{\mathrm{\Σ}}{v}_i^2}$

所述方法二：

1.查找每个小区与其邻小区的经纬度，得到数组(xy，x1y1，x2y2，…xnyn)；

2.根据该小区以及其邻小区中经度和纬度的数值大小判断得到最大值和最小值；

3.根据计算经纬度的最大值和最小值构成一个矩形；

4.遍历小区表中全部小区，查找除了该小区和其邻小区外的其他小区的经纬度，计算是否落入该矩形中，并计算落入该矩形中小区的个数n，所述落入该矩形中小区的坐标在矩形的边界内；

5.设定小区和邻小区之间不应该存在大量小区，并且这些小区又不是该小区的邻小区，同时对于校正过的邻小区关系，对于落入矩形中的非邻小区越多则该小区和邻小区的坐标可疑；所述的大量是根据n值的大小倒序排列，排名越前小区和其邻小区坐标越可疑。

所述方法三：

1.根据资源数据中小区的地理分类：城市小区、乡村小区，设定每类中小区和其邻小区的密度是相似的，则当小区数量很大，按照小区和邻小区的密度分布判断偏离平均密度值分布的数据即是可疑数据；

2.在每类中筛选出一定数量经过人工核实为坐标正确的小区以及其邻小区，计算每个小区和它所有临小区的距离L，根据数组(L1，L2…Ln)的分布得到一个理想的最小最大距离Lmin和Lmax；

3.计算每个大类中其余小区和临小区的距离Li；

4.Li在Lmin和Lmax之间的视为正常，Li大于Lmax的倒序排列，Li小于Lmin的正序排列，排序靠前的说明小区和其某个邻小区的距离为不正常数据。

本发明的有益效果如下：

本方法根据小区邻小区分布的地理模型来判断小区坐标，能够得到准确的小区位置坐标，可以减少错误的小区坐标数据，避免误差的坐标数据带来的严重错误；还可以以最小的人力成本迅速优化小区坐标数据，为LBS应用打下坚实基础。

附图说明

图1为本发明的核查步骤流程图

图2为本发明的排序方法一的工作流程图

图3为本发明的排序方法一中表示的正常小区坐标示意图

图4为本发明的排序方法一中表示的异常小区坐标示意图

图5为本发明的排序方法二的工作流程图

图6为本发明的排序方法三的工作流程图

具体实施方式

如图1-6所示，基站位置核查的方法，是对将要提供给LBS平台使用的资源数据库中的小区坐标信息进行核查，其步骤为：

A、首先从现网性能数据中采集小区切换的记录数据，得到校正的邻小区关系表；

B、邻小区的信息中存在闲时邻小区和忙时邻小区，同时因为这两类邻小区的数据通常都不全，所以需要综合后得到一个完整的记录，即得到一个完整的邻小区信息表，通过小区经纬度的坐标记录得到小区和邻小区的距离，然后通过小区和邻小区的距离得到一个距离列表；

C、对小区坐标准确性的可疑程度排序，得到排列好的小区列表；

D、根据步骤C得到的小区列表排序再做一次综合排序，就是根据加权平均排名再排列一次，得到再次排列的数据，并根据排序的优先顺序核查小区坐标，然后处理排序靠前的一定数量的小区，所述处理是通过核查坐标数据或者通过gps设备定位基准准确位置；

E、重复步骤A-D，得到反复核查坐标相对可疑的小区坐标数据，对其进行反复校正；

F、提交最终步骤E得到的校正的小区坐标数据及邻小区关系数据给LBS平台，该平台根据用户请求为用户提供地理位置相关服务。

步骤A中所述校正的邻小区关系表是指从现网性能数据中采集最近时段的小区切换的记录数据，设定有小区切换记录的邻小区关系(即小区的邻小区记录表)是真实的，则在邻小区关系表中存在在一段时间范围内小区切换记录中不存在邻小区是不实邻小区，最后从资源数据中剔除所述的不实邻小区，得到一个真实的邻小区关系表。

步骤A中所述现网性能数据是指移动GSM网络中工作的网元设备产生的工作日志记录；所述切换的记录数据是指一个移动用户的移动设备从一个基站移动到另一个基站的位置坐标记录，即不同小区的切换的记录；所述邻小区关系表是指两个小区发生了切换记录，这两个小区必然是邻小区。

步骤C中所述对小区坐标准确性的可疑程度排序通过三种方法综合判断的：

方法一，根据小区、邻小区平均距离在距离数组中的偏离情况判断；

方法二，根据小区、邻小区构成区域中其他小区数量多少进行判断；

方法三，根据小区和邻小区距离在距离的整体分布中偏离情况进行判断。

因为这三种核查方法是从不同角度对小区坐标进行分析，产生不同的坐标可疑小区列表，每种方法都有一定的适用性，如第一种方法是假设小区的一组邻小区坐标全错的概率很低，第二种方法对小区邻小区整体的坐标情况能很好的检查，但无法突出小区本身，因为小区其中一个邻小区坐标错误的话都将导致其集合构造的矩形中包含很多非邻小区；第三种方法针对不同区域的特征进行分析，可以有选择的核查数据，比如LBS应用常常更多在基站密集的城市，我们可以重点优先核查城市的基站，但这种方法有一个弊端就是在网管的配置数据中城乡的划分未必是合理的，大城市常常有一个基站数量庞大的模糊的郊区，因此分类的界限不是很好确定，所以用所述三种方法进行判断时，根据操作者来得出的权重值来对小区坐标可疑性进行排序，这里采用第一种方法的权重是0.6，第二种方法的权重是0.1，第三种种方法的权重是0.3，权重可以根据现网情况进行调整，每种方法得出的名次除以权重得到一个值，把每个小区的三个值平均，得到一个三种方法的加权平均值，根据这个数值进行排序，得到最终的异常数据排名，排名越靠前，异常的可能性越大。

所述方法一：

1.计算小区a和它所有邻小区a1，a2，a3…an距离的平均值，每个小区得到一个平均值avg1；

2.计算小区a的邻小区a1和a1自己的邻小区距离的平均值avg2，同样方法法得到a的其余邻小区的平均值，得到一组数据avg1，avg2，avg3…avg(n+1)；

3.对这一组数据运用异常数据算法处理，具体做法是：

a.对这组数据求平均值(avg1+avg2+avg3+…avg(n+1))/(n+1)得到一个新的平均值avgA；

b.求该组数据的中avg1的残差；

c.计算该组数据的标准差；

d.设定某个小区的邻小区坐标全部错误，而该小区坐标正确的概率比相反的情况低，因此avg1的残差与标准差的比值K用来判断数据的异常程度，比值K越大则说明该小区在地理上的距离分布和其邻小区比较越异常；该值同时也是排序的标准。

方法一中所用到的数学公式：

平均值 $\stackrel{\‾}{x}=\frac{1}{n}\underset{i}{\mathrm{\Σ}}{x}_i$

残差    v_i＝x_i-x(i＝1，2，…，n)

标准差 $\mathrm{\σ}=\sqrt{{(n-1)}^{-1}\underset{i}{\mathrm{\Σ}}{v}_i^2}$

所述方法二：

1.查找每个小区与其邻小区的经纬度，得到数组(xy，x1y1，x2y2，…xnyn)；

2.根据该小区以及其邻小区中经度和纬度的数值大小判断得到最大值和最小值，例如经纬度以一个实数表示；

3.根据计算经纬度的最大值和最小值构成一个矩形；

4.遍历小区表中全部小区，查找除了该小区和其邻小区外的其他小区的经纬度，计算是否落入该矩形中，并计算落入该矩形中小区的个数n，所述落入该矩形中小区的坐标在矩形的边界内；

5.设定小区和邻小区之间不应该存在大量小区，并且这些小区又不是该小区的邻小区，同时对于校正过的邻小区关系，对于落入矩形中的非邻小区越多则该小区和邻小区的坐标可疑；所述的大量是根据n值的大小倒序排列，排名越前小区和其邻小区坐标越可疑。

所述方法三：

1.根据资源数据中小区的地理分类：城市小区、乡村小区，设定每类中小区和其邻小区的密度是相似的，则当小区数量很大，按照小区和邻小区的密度分布判断偏离平均密度值分布的数据即是可疑数据；

2.在每类中筛选出一定数量经过人工核实为坐标正确的小区以及其邻小区，计算每个小区和它所有临小区的距离L，根据数组(L1，L2…Ln)的分布得到一个理想的最小最大距离Lmin和Lmax；

3.计算每个大类中其余小区和临小区的距离Li；

4.Li在Lmin和Lmax之间的视为正常，Li大于Lmax的倒序排列，Li小于Lmin的正序排列，排序靠前的说明小区和其某个邻小区的距离为不正常数据。

对于本方法核查后，还可以借助地图浏览器Google earth辅助后期人工核查。卫星地图具有较为直观的三维影像，可清晰地观测楼盘建筑以及周边的地形环境。在导入相关小区数据以及地理数据后，可以很方便地对坐标可疑小区进行最终核查工作，丰富直观的地图将大大提高了工作效率。

Claims (7)

1.基站位置核查的方法，是对将要提供给LBS平台使用的资源数据库中的小区坐标信息进行核查，其特征在于步骤为： 

A、首先从现网性能数据中采集小区切换的记录数据，得到校正的邻小区关系表； 

B、邻小区的信息中存在闲时邻小区和忙时邻小区，同时因为这两类邻小区的数据通常都不全，所以需要综合后得到一个完整的记录，即得到一个完整的邻小区信息表，通过小区经纬度的坐标记录得到小区和邻小区的距离，然后通过小区和邻小区的距离得到一个距离列表； 

C、对小区坐标准确性的可疑程度排序，得到排列好的小区列表； 

D、根据步骤C得到的小区列表排序再做一次综合排序，就是根据加权平均排名再排列一次，得到再次排列的数据，并根据排序的优先顺序核查小区坐标，然后处理排序靠前的一定数量的小区，所述处理是通过核查坐标数据或者通过gps设备定位基准准确位置； 

E、重复步骤A-D，得到反复核查坐标相对可疑的小区坐标数据，对其进行反复校正； 

F、提交最终步骤E得到的校正的小区坐标数据及邻小区关系数据给LBS平台，该平台根据用户请求为用户提供地理位置相关服务。 

2.根据权利要求1所述基站位置核查的方法，其特征在于：步骤A中所述校正的邻小区关系表是指从现网性能数据中采集最近时段的小区切换的记录数据，设定有小区切换记录的邻小区关系是真实的，则在邻小区关系表中存在在一段时间范围内小区切换记录中不存在邻小区是不实邻小区，最后从资源数据中剔除所述的不实邻小区，得到一个真实的邻小区关系表。 

3.根据权利要求1所述基站位置核查的方法，其特征在于：步骤A中所述现网性能数据是指移动GSM网络中工作的网元设备产生的工作日志记录；所述切换的记录数据是指一个移动用户的移动设备从一个基站移动到另一个基站的位置坐标记录，即不同小区的切换的记录；所述邻小区关系表是指两个小区发生了切换记录，这两个小区必然是邻小区。 

4.根据权利要求1所述基站位置核查的方法，其特征在于：步骤C中所述对小区坐标准确性的可疑程度排序通过三种方法综合判断的：

方法一，根据小区、邻小区平均距离在距离数组中的偏离情况判断；

方法二，根据小区、邻小区构成区域中其他小区数量多少进行判断；

方法三，根据小区和邻小区距离在距离的整体分布中偏离情况进行判断；

通过用所述三种方法进行判断时，根据操作者来得出的权重值来对小区坐标可疑性进行排序，每种方法得出的名次除以权重得到一个值，把每个小区的三个值平均，得到一个三种方法的加权平均值，根据这个数值进行排序，得到最终的异常数据排名，排名越靠前，异常的可能性越大。

5.根据权利要求4所述基站位置核查的方法，其特征在于：

所述方法一：

(1).计算小区a和它所有邻小区a1，a2，a3…an距离的平均值avg1；

(2).计算小区a的邻小区a1和a1自己的邻小区距离的平均值avg2，同样方法得到a的其余邻小区的平均值，得到一组数据avg1，avg2，avg3…avg(n+1)；

(3).对这一组数据运用异常数据算法处理，具体做法是：

a.对这组数据求平均值(avg1+avg2+avg3+…avg(n+1))/(n+1)得到一个新的平均值avgA；

b.求该组数据的中avg1的残差；

c.计算该组数据的标准差；

d.设定某个小区的邻小区坐标全部错误，而该小区坐标正确的概率比相反的情况低，因此avg1的残差与标准差的比值K用来判断数据的异常程度，比值K越大则说明该小区在地理上的距离分布和其邻小区比较越异常；该值同时也是排序的标准；

方法一中所用到的数学公式：

平均值

残差

标准差

6.根据权利要求4所述基站位置核查的方法，其特征在于： 

所述方法二：

(1).查找每个小区与其邻小区的经纬度，得到数组(xy，x1y1，x2y2，…xnyn)；

(2).根据该小区以及其邻小区中经度和纬度的数值大小判断得到最大值和最小值，经纬度以一个实数表示；

(3).根据计算经纬度的最大值和最小值构成一个矩形；

(4).遍历小区表中全部小区，查找除了该小区和其邻小区外的其他小区的经纬度，计算是否落入该矩形中，并计算落入该矩形中小区的个数n，所述落入该矩形中小区的坐标在矩形的边界内；

(5).设定小区和邻小区之间不应该存在大量小区，并且这些小区又不是该小区的邻小区，同时对于校正过的邻小区关系，对于落入矩形中的非邻小区越多则该小区和邻小区的坐标可疑；所述的大量是根据n值的大小倒序排列，排名越前小区和其邻小区坐标越可疑。

7.根据权利要求4所述基站位置核查的方法，其特征在于：

所述方法三：

(1).根据资源数据中小区的地理分类：城市小区、乡村小区，设定每类中小区和其邻小区的密度是相似的，则当小区数量很大，按照小区和邻小区的密度分布判断偏离平均密度值分布的数据即是可疑数据；

(2).在每类中筛选出一定数量经过人工核实为坐标正确的小区以及其邻小区，计算每个小区和它所有临小区的距离L，根据数组(L1，L2…Ln)的分布得到一个理想的最小最大距离Lmin和Lmax；

(3).计算每个大类中其余小区和临小区的距离Li；

(4).Li在Lmin和Lmax之间的视为正常，Li大于Lmax的倒序排列，Li小于Lmin的正序排列，排序靠前的说明小区和其某个邻小区的距离为不正常数据。 

Images