CN103997783A - 一种室外聚类匹配定位方法和装置 - Google Patents
一种室外聚类匹配定位方法和装置 Download PDFInfo
- Publication number
- CN103997783A CN103997783A CN201410204479.0A CN201410204479A CN103997783A CN 103997783 A CN103997783 A CN 103997783A CN 201410204479 A CN201410204479 A CN 201410204479A CN 103997783 A CN103997783 A CN 103997783A
- Authority
- CN
- China
- Prior art keywords
- msub
- positioning
- mover
- toa
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 6
- 101150011184 toa1 gene Proteins 0.000 claims description 6
- 101150108701 toa2 gene Proteins 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 18
- 230000001413 cellular effect Effects 0.000 description 13
- 238000007476 Maximum Likelihood Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000004165 Methyl ester of fatty acids Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种室外聚类匹配定位方法和装置,该方法包括:特征库制作阶段:根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;定位阶段:当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;将定位结果返回给终端侧,当前定位过程结束。本发明所述室外聚类匹配定位方法和装置,可以克服现有技术中测量精度低、误判率高和适用范围小等缺陷,以实现测量精度高、误判率低和适用范围广的优点。
Description
技术领域
本发明涉及通信技术领域,具体地,涉及一种室外聚类匹配定位方法和装置。
背景技术
终端定位技术是利用无线通信网络资源确定网络中的终端用户在地表位置的方法,它伴随无线通信技术的应用而出现,跟随无线通信网络的演进而发展。20世纪80年代以来,由于蜂窝移动通信系统的出现,以及人们对智能交通运输系统和呼叫追踪方面的需要,对终端定位技术提出了新要求。美国联邦通信委员会(FCC)于1996年公布了E-911条例,要求在2001年10月1日前,美国各电信运营商的无线蜂窝系统必须提供终端定位误差在125米内时,定位概率达到67%的定位服务。1998年又提出了定位误差在400米内时,定位概率不低于90%的服务要求。1999年FCC对定位精度提出新的要求:对基于网络的定位服务,定位误差在100米内时,定位概率达到67%;定位误差300米内时,定位概率达到95%;对基于终端的定位服务,定位误差50米内时,定位概率达到67%,定位误差150米时,定位概率达到95%。
美国FCC的规定大大推动了蜂窝无线定位技术的发展,明确基于位置的服务将是今后各种无线蜂窝网络,特别是3G网络必备的基本功能,催生和推动了一个产业和市场的产生与发展。其它国家和地区如欧洲、日本、韩国等相关组织也作了相类似的规定,而且在很多方面达成了一致。
随着社会的发展,人们的活动范围越来越大,而且也越来越不稳定。这种移动性和不确定性给移动通信的定位服务带来了无限商机。另一方面对移动通信网本身来说,移动性管理一直是网络的难点问题,如果本身知道移动终端的精确位置,再进行移动性管理就变得相对简单。另一方面的重要应用是,利用移动终端的精确位置能更有效地管理网络的无线资源,如频谱资源的动态分配,系统资源的干扰协调和调度。所以,无论是用户的需求,还是运营商或网络供应商的本身需求,都为定位服务的发展注入了活力,使得定位服务市场呈现出一片生机。
当前应用最广泛的GPS定位技术虽然具有定位精度高的优点,在水平方向和垂直方向的定位误差分别为13米和22米时,定位概率能达到95%,但是,在峡谷、高建筑物附近或者有较强阴影遮挡区域,终端不易接收卫星信号,导致定位失败;另一个问题是基于卫星定位的接收机首次定位时间较长,短则几秒,长则需要60秒,这就不适合定位实时性要求较高的场合;更现实的问题是,基于GPS等卫星定位的终端由于耗电大,导致现在的手机用户不愿使用GPS终端定位服务。
近年来,基于Wi-Fi(WirelessFidelity)、蜂窝网络等的无线网络定位技术迅速发展。虽然基于Wi-Fi的定位技术具有定位精度高、技术成熟等优点,但是,由于Wi-Fi覆盖距离较短,且室外部署AP较少,因此无法实现室外的全方位无缝定位。由于蜂窝网络覆盖范围广,基础设施完善,因此基于蜂窝网络的室外无缝定位逐渐成为了各大公司和标准组织的研究热点。
现有基于蜂窝网络的定位技术主要分为基于参数和基于指纹匹配两大类,前者通过将信号强度或时延转换为距离或角度等信息,进而估计位置。由于电波传播的多径效应和非视距传播等因素的影响,定位精度很难达到满意的效果,只是部署和计算上比较简单。后者采用基于指纹匹配的方法,通过在定位区域中的所有位置进行射频信号采集,从而构建信号强度矢量与定位位置的映射关系(训练指纹),定位阶段根据实时采集的射频信号计算出定位位置。这种方法定位精度高,且不需要额外的基础设施。因此,我们需要研究基于蜂窝网络的指纹匹配定位技术,实现室外高精度无缝定位。
基于指纹匹配的定位技术的基本原理是,通过在定位区域中的所有位置进行射频信号采集,从而构建信号矢量与定位位置的映射关系(训练指纹),定位阶段根据实时采集的射频信号计算出定位位置。这种方法定位精度高,且不需要额外的基础设施。
基于指纹匹配的蜂窝网络定位技术一般分为两个阶段:离线训练(offline)阶段和在线(online)定位阶段。在离线训练阶段,对蜂窝网中定位区域内的所有位置进行射频信号采集,通过实测测量量数据来构建以各个小区域为索引的数据库,从而构建信号矢量与定位位置的映射关系库;当需要确定移动终端的位置时,即在线定位阶段,移动终端实时采集射频信号,并将测量量与后台的数据库进行匹配,以一定的算法标准来选择最合适的小区域,并将其作为移动终端的估算位置(见图1)。
基于指纹匹配的蜂窝网络定位技术以美国Polaris公司的最大似然估计(MaximumLikelihood,ML)匹配定位技术为代表。其定位方法的实现步骤如下:
特征库制作:
Step1.对待定位区域进行网格划分,得到网格集合L={l1,l2,...,ln},其中li=(id,xi,yi,zi),(1≤i≤n),表示第i个网格对应的网格id和位置坐标。
Step2.逐个对所有网格进行信号特征量采集,得到网格指纹库RM={li,F(li)|i=1,2,...,n}。对于网格li,进行多次信号特征量测量,求取样本均值作为网格指纹:
F(li)=(EcNoi,1,EcNoi,2,...,EcNoi,K;TOAi,1,TOAi,2,...,TOAi,P;RSCPi,1,RSCPi,2,...,RSCPi,Q),并计算出不同测量量的方差和
定位过程:
Step3.终端侧向网络侧发起定位请求,并上报信号特征量测量报告:
Step4.网络侧获得终端侧上报的信号特征量测量报告F(l),并逐个计算F(l)与网格指纹库RM中指纹F(li)(1≤i≤n)的似然函数lik(li),并找出取值最小的似然函数:
Step5.取似然函数值最小的指纹对应的位置作为估计位置,并返回给终端侧,定位结束。
基于最大似然算法的定位技术是一种点估计算法,它假定测量值相对独立且测量误差服从高斯分布,这往往不能很好地契合实际情况,因为实际中测量误差具有随机性,不一定满足高斯分布。另外,对于此种定位技术,在一次测量中,对于特征数据库中已赋值小区信号强度,而位置测量值中却没有测得该小区的信号强度,现有的两种处理方法是:第一,简单设置该小区的场强为一个比正常测量值小很多的一个常数值,则此种处理方法并不能很好地反映出和那些信号强度弱小区的区别;第二,或者在计算似然函数时不考虑此项的贡献,即认为此项误差为0,造成似然函数比实际情况偏小,从而误判实际终端位置。
在实现本发明的过程中,发明人发现现有技术中至少存在测量精度低、误判率高和适用范围小等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种室外聚类匹配定位方法,以实现测量精度高、误判率低和适用范围广的优点。
本发明的第二目的在于,提出一种室外聚类匹配定位装置。
为实现上述目的,本发明采用的技术方案是:一种室外聚类匹配定位方法,主要包括:
a、特征库制作阶段:根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;
b、定位阶段:当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;
c、将定位结果返回给终端侧,当前定位过程结束。
进一步地,在步骤a中,所述将特征库按类别分成若干个子特征库的操作,具体包括:
按照服务小区Bestcell进行分类,第一用户UE1、第二用户UE2的服务小区Bestcell均为第一小区CELL1,第三用户UE3的服务小区Bestcell为第二小区CELL2;
对于服务小区Bestcell相同的用户,按照到达时间TOA个数进行分类:
对于第一用户UE1,它只能收到第一小区CELL1的信号,标记为第一到达时间TOA1,所以到达时间TOA个数为1;
对于第二用户UE2,能收到第一小区CELL1和第二小区CELL2两个小区的信号,分别标记为第二到达时间TOA2及第三到达时间TOA3,所以到达时间TOA个数为2;
对于第三用户UE3,能收到第二小区CELL2和第三小区CELL3两个小区的信号,分别标记为第四到达时间TOA4及到第五达时间TOA5,到达时间TOA个数同样为2;
和/或,
在步骤b中,所述根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果的操作,具体包括:
当收到一条测量报告MR信号时:
首先,检查该测量报告MR信号的最佳小区,根据最佳小区进行第一次聚类,选中该最佳小区的子库;
其次,根据到达时间TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配;如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。
进一步地,在步骤a中,所述特征库制作的操作,具体包括:
⑴对待定位区域进行网格划分,得到网格集合L={l1,l2,...,ln},其中li=(id,xi,yi,zi),(1≤i≤n),表示第i个网格对应的网格id和位置坐标;
⑵逐个对所有网格进行信号特征量采集,得到网格指纹库RM={li,F(li)|i=1,2,...,n};对于网格li,进行多次信号特征量测量,求取样本均值作为网格指纹:
F(li)=(EcNoi,1,EcNoi,2,...,EcNoi,K;TOAi,1,TOAi,2,...,TOAi,P;RSCPi,1,RSCPi,2,...,RSCPi,Q);
其中,EcNoi,k(1≤k≤K)表示网格li收到的第k个小区的信噪比,K为信噪比的总个数;TOAi,p(1≤p≤P)表示网格li收到的第p个TOA,P为TOA的总个数;RSCPi,q(1≤q≤Q)表示网格li收到的第q个接收信号码功率,Q为接收信号码功率的总个数;
⑶逐个对所有网格指纹的特征量按照服务小区标识符CID进行聚类分割,然后对于相同服务小区下的每个子库,按照TOA的有效数目TOAnum进行二次聚类分割:
if TOAnum=0
F(li)∈RM0,1≤i≤n
elseif TOAnum=j
F(li)∈RMj,1≤i≤n,j≥1
end
其中RMj表示相同CID条件下TOA有效数目为j的子特征库。
进一步地,在步骤a中,所述定位的操作,具体包括:
⑷终端侧向网络侧发起定位请求,并上报信号特征量测量报告:
其中,表示MR收到的第k个小区的信噪比,K为信噪比的总个数;表示MR收到的第p个TOA,P为TOA的总个数;表示MR收到的第q个接收信号码功率,Q为接收信号码功率的总个数;
⑸网络侧获得终端侧上报的信号特征量测量报告F(l),先获取其CID,进入相应子库,并计算TOA的有效数目TOAnum,根据TOAnum的值选取相应类别的子特征库进行匹配;
⑹在子特征库中,根据不同的测量值类型,增加不同的约束条件,求取可行的匹配集合:
其中THEcNo为子特征库与MR之间对应信噪比差值的阈值,THRSCP为子特征库与MR之间对应接收信号码功率差值的阈值,THTOA为子特征库与MR之间对应TOA差值的阈值;
⑺对可行匹配集合中的指纹,读取其位置,进行平均,作为最后的估计位置;
⑻虽然TOA数目很稳定,为了精益求精,考虑到实际情况下终端侧接收TOA存在误差的情形;故此,如果在子特征库中,不存在同时满足步骤⑹中条件的点,或者待定位MR与可行指纹匹配的cell-ID个数不到则在同一CID下,到TOAnum±2的集合中搜索;
⑼如果有满足条件的,即采用;如果没有,则用同一用户的历史位置;
也就是说,如果前三个历史位置趋势稳定,取前一个历史位置作为定位结果,否则把前三个历史位置的平均值作为定位结果。
同时,本发明采用的另一技术方案是:一种室外聚类匹配定位装置,主要包括依次连接的特征库制作模块、定位模块和定位结果回馈终端,其中:
所述特征库制作模块,用于根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;
所述定位模块,用于当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;
所述定位结果回馈终端,用于将定位结果返回给终端侧,当前定位过程结束。
进一步地,所述特征库制作模块,包括依次连接的服务小区Bestcell分类子模块和到达时间TOA标记子模块,其中:
所述服务小区Bestcell分类子模块,用于按照服务小区Bestcell进行分类,第一用户UE1、第二用户UE2的服务小区Bestcell均为第一小区CELL1,第三用户UE3的服务小区Bestcell为第二小区CELL2;
所述到达时间TOA标记子模块,用于对于服务小区Bestcell相同的用户,按照到达时间TOA个数进行分类:对于第一用户UE1,它只能收到第一小区CELL1的信号,标记为第一到达时间TOA1,所以到达时间TOA个数为1;对于第二用户UE2,能收到第一小区CELL1和第二小区CELL2两个小区的信号,分别标记为第二到达时间TOA2及第三到达时间TOA3,所以到达时间TOA个数为2;对于第三用户UE3,能收到第二小区CELL2和第三小区CELL3两个小区的信号,分别标记为第四到达时间TOA4及到第五达时间TOA5,到达时间TOA个数同样为2;
和/或,
所述定位模块,包括依次连接的一次聚类子模块和二次聚类子模块,其中:
所述一次聚类子模块,用于当收到一条测量报告MR信号时,检查该测量报告MR信号的最佳小区,根据最佳小区进行第一次聚类,选中该最佳小区的子库;
所述二次聚类子模块,用于根据到达时间TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配;如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。
本发明各实施例的室外聚类匹配定位方法和装置,由于该方法包括:特征库制作阶段:根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;定位阶段:当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;将定位结果返回给终端侧,当前定位过程结束;从而可以克服现有技术中测量精度低、误判率高和适用范围小的缺陷,以实现测量精度高、误判率低和适用范围广的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1传统基于指纹匹配的蜂窝网络定位技术的工作原理示意图;
图2为本发明室外聚类匹配定位方法中TOA原理图;
图3为本发明室外聚类匹配定位方法中Bestcell-TOA聚类原理图;
图4为本发明室外聚类匹配定位方法中定位精度CDF曲线图;
图5为本发明室外聚类匹配定位装置的工作原理示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
由于地形和建筑物等的影响,电波传播往往发生多径效应、非视距传播等现象。因此,在不同环境下,终端侧接收到的射频信号特征量呈现出不同的动态性和不稳定性。此外,射频指纹库需要采集大量的网格点特征量,造成匹配过程较慢,效率较低。本发明所要解决的问题是,当指纹库比较庞大或终端侧接收到的射频信号特征量不稳定时,我们需要构造准确高效的匹配定位方法使其快速精准地计算出终端的位置。
基于指纹匹配的定位技术的基本原理是,通过在定位区域中的所有位置进行射频信号采集,从而构建信号矢量与定位位置的映射关系(训练指纹),定位阶段根据实时采集的射频信号计算出定位位置。实际情况下,由于信号快衰落的影响,同一位置不同时间的射频信号测量值存在较大变化。为了解决这个问题,现有技术对同一网格进行大量采集,并求出均值作为最终特征量。然而,这种方法并不能解决射频信号特征量的长期变化情况。
根据本发明实施例,如图2、图3、图4和图5所示,提供了一种室外聚类匹配定位方法和装置。
方法实施例
根据本发明实施例,参见图2、图3和图4,提供了一种室外聚类匹配定位方法。在本发明实施例的室外聚类匹配定位方法中,聚类匹配定位方法(CPML,ClusterPatternMatchingLocalization)是指在特征库制作阶段,根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库。在定位阶段,当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计,首先对射频信号特征量进行聚类分析,进而根据所属类别到相应子特征库里进行匹配。最后,将定位结果返回给终端侧,定位过程结束。
首先,我们介绍TOA的原理图,其原理图如图2所示:
TOA,全称为“Time of arrival”,意为到达时间,表示信号从基站天线发送到手机天线所用的时间,利用公式ToA=D(距离)/C(光速),基站与用户间距离D与电磁波传输速度C都是一个相对稳定的值,所以我们认为TOA这一特征量也是一个相对稳定的值。
在介绍完TOA的原理图之后,我们进一步详细作了Bestcell-TOA聚类原理图,见下页图3所示。
如图3所示,首先应按照Bestcell进行分类,UE1,UE2的Bestcell均为CELL1,UE3的Bestcell为CELL2。之后,对于服务小区相同的,更进一步按照TOA个数进行分类。对于UE1,它只能收到CELL1的信号,标记为TOA1,所以TOA个数为1。对于UE2,能收到CELL1和CELL2两个小区的信号,分别标记为TOA2及TOA3,所以TOA个数为2。对于UE3,能收到CELL2和CELL3两个小区的信号,分别标记为TOA4及TOA5,TOA个数同样为2。
在本算法中,当收到一条MR信号时,首先应该检查它的最佳小区,然后根据最佳小区第一次聚类,选中该最佳小区的子库。之后,根据TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配。如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。利用这种方式,不但能大大减少匹配运算量,还能找到MR中的奇异测量点。
CPML定位方法的特征库制作和定位过程如下:
特征库制作:
Step1.对待定位区域进行网格划分,得到网格集合L={l1,l2,...,ln},其中li=(id,xi,yi,zi),(1≤i≤n),表示第i个网格对应的网格id和位置坐标。
Step2.逐个对所有网格进行信号特征量采集,得到网格指纹库RM={li,F(li)|i=1,2,...,n}。对于网格li,进行多次信号特征量测量,求取样本均值作为网格指纹:
F(li)=(EcNoi,1,EcNoi,2,...,EcNoi,K;TOAi,1,TOAi,2,...,TOAi,P;RSCPi,1,RSCPi,2,...,RSCPi,Q);
其中,EcNoi,k(1≤k≤K)表示网格li收到的第k个小区的信噪比,K为信噪比的总个数;TOAi,p(1≤p≤P)表示网格li收到的第p个TOA,P为TOA的总个数;RSCPi,q(1≤q≤Q)表示网格li收到的第q个接收信号码功率,Q为接收信号码功率的总个数。
Step3.逐个对所有网格指纹的特征量按照服务小区标识符(CID)进行聚类分割,然后对于相同服务小区下的每个子库,按照TOA的有效数目TOAnum进行二次聚类分割:
if TOAnum=0
F(li)∈RM0,1≤i≤n
elseif TOAnum=j
F(li)∈RMj,1≤i≤n,j≥1
end
其中RMj表示相同CID条件下TOA有效数目为j的子特征库。
定位过程:
Step4.终端侧向网络侧发起定位请求,并上报信号特征量测量报告:
其中,表示MR收到的第k个小区的信噪比,K为信噪比的总个数;表示MR收到的第p个TOA,P为TOA的总个数;表示MR收到的第q个接收信号码功率,Q为接收信号码功率的总个数;
Step5.网络侧获得终端侧上报的信号特征量测量报告F(l),先获取其CID,进入相应子库,并计算TOA的有效数目TOAnum,根据TOAnum的值选取相应类别的子特征库进行匹配。
Step6.在子特征库中,根据不同的测量值类型,增加不同的约束条件,求取可行的匹配集合:
其中THEcNo为子特征库与MR之间对应信噪比差值的阈值,THRSCP为子特征库与MR之间对应接收信号码功率差值的阈值,THTOA为子特征库与MR之间对应TOA差值的阈值;
Step7.对可行匹配集合中的指纹,读取其位置,进行平均,作为最后的估计位置。
Step8.虽然TOA数目很稳定,为了精益求精,我们考虑到实际情况下终端侧接收TOA存在误差的情形。故此,如果在子特征库中,不存在同时满足Step6中条件的点,或者待定位MR与可行指纹匹配的cell-ID个数不到则在同一CID下,到TOAnum±2的集合中搜索。
Step9.如果有满足条件的,即采用。如果没有,则用同一用户的历史位置。这里,如果前三个历史位置趋势稳定,取前一个历史位置作为定位结果,否则把前三个历史位置的平均值作为定位结果。
装置实施例
根据本发明实施例,参见图5,提供了一种室外聚类匹配定位装置,主要包括依次连接的特征库制作模块、定位模块和定位结果回馈终端,其中:
特征库制作模块,用于根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;
定位模块,用于当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;
定位结果回馈终端,用于将定位结果返回给终端侧,当前定位过程结束。
在上述实施例的室外聚类匹配定位装置中,特征库制作模块,包括依次连接的服务小区Bestcell分类子模块和到达时间TOA标记子模块,其中:
服务小区Bestcell分类子模块,用于按照服务小区Bestcell进行分类,第一用户UE1、第二用户UE2的服务小区Bestcell均为第一小区CELL1,第三用户UE3的服务小区Bestcell为第二小区CELL2;
到达时间TOA标记子模块,用于对于服务小区Bestcell相同的用户,按照到达时间TOA个数进行分类:对于第一用户UE1,它只能收到第一小区CELL1的信号,标记为第一到达时间TOA1,所以到达时间TOA个数为1;对于第二用户UE2,能收到第一小区CELL1和第二小区CELL2两个小区的信号,分别标记为第二到达时间TOA2及第三到达时间TOA3,所以到达时间TOA个数为2;对于第三用户UE3,能收到第二小区CELL2和第三小区CELL3两个小区的信号,分别标记为第四到达时间TOA4及到第五达时间TOA5,到达时间TOA个数同样为2;
和/或,
定位模块,包括依次连接的一次聚类子模块和二次聚类子模块,其中:
一次聚类子模块,用于当收到一条测量报告MR信号时,检查该测量报告MR信号的最佳小区,根据最佳小区进行第一次聚类,选中该最佳小区的子库;
二次聚类子模块,用于根据到达时间TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配;如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。
为了验证本发明所带来的有益效果,我们把它与最大似然概率匹配定位算法(本 发明基于的现有技术方案)作比较。
数据为实际测量的UMTS外场定位数据,这里的测量量包括EcNo,RSCP,TOA值,所得的MR数据共114689条。在定位过程中,我们根据环境对待测点进行聚类分割,将特征库按类别分成若干个子特征库。我们比较了美国Polaris公司所采用的最大似然匹配定位算法与我们提出的聚类匹配定位方法的性能。
图4为终端的定位精度与概率曲线图,横坐标为定位精度,纵坐标为定位概率。图中实线“—”表示聚类匹配定位方法(即本发明)的定位结果,虚线“----”表示最大似然概率定位算法的定位结果。
两种定位方法的具体定位结果见表1,表1为定位精度和其定位概率。
表1:定位误差统计
从图4和表1,我们发现,本发明的匹配定位技术在95%的定位概率下精度为0米,而最大似然匹配定位算法的精度为29.84米。这也表明,本发明的定位精度优于最大似然匹配定位技术(即现有的技术方案)。
如前面所述,这种聚类匹配定位算法能大大减少匹配运算量,提高匹配效率,与原始的最大似然匹配定位算法相比,对于114689条MR数据的定位时间,从1049秒提升到307秒。
综上所述,本发明不仅定位精度优于最大似然匹配定位技术(即现有的技术方案),而且定位的效率明显有较大的提升,这也是本发明所要实现的。
本发明上述各实施例的室外聚类匹配定位方法和装置,至少具有以下特点:
⑴实际应用中各测量量的方差不易得到,本发明有效地规避了这一情况,更具有实用性。
⑵把特征库按照BestCell(服务小区)进行分割聚类,分成若干个子特征库,缩小搜索范围,提高搜索速度。对每个子特征库,再将其按照能接收到的TOA个数进行分割,进一步提高速度。
⑶在进入子特征库进行匹配时,对三个测量量分别设定一个阈值,每次搜索一个分量,存储找到的指纹,然后在存储的指纹中,进行下一个分量的匹配,依次进行,直到全部搜索完毕。
⑷考虑到实际情况下终端侧接收TOA存在误差的情形,故此,如果在子特征库中,不存在同时满足条件的点,或者待定位MR与可行指纹匹配的cell-ID个数不到则在同一CID下,到TOAnum±2的集合中搜索。
⑸在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点。采用历史位置作为定位点。
⑹对匹配到的指纹,读取其位置,进行平均,作为最后的估算位置。
本发明上述各实施例的室外聚类匹配定位方法和装置,可以推广到TD-SCDMA,WCDMA的UMTS和LTE系统。
本发明中使用的缩略语和关键术语定义如下:
缩略语 | 英文全称 | 中文翻译 |
RFPM | RFPatternMatching | 无线信号特征匹配 |
MR | MeasurementReport | 测量报告 |
RTT | Round-TripTime | 巡回时间 |
RSCP | ReceivedSignalCodePower | 接收信号码功率 |
ML | MaximumLikelihood | 最大似然 |
BS | BaseStation | 基站 |
UE | UserEquipment | 用户设备 |
CID | CellIdentification | 小区标识符 |
UMTS | UniversalMobileTelecommunicationsSystem | 通用移动通信系统 |
FCC | FederalCommunicationsCommission | 美国联邦通讯委员会 |
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种室外聚类匹配定位方法,其特征在于,主要包括:
a、特征库制作阶段:根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;
b、定位阶段:当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;
c、将定位结果返回给终端侧,当前定位过程结束。
2.根据权利要求1所述的室外聚类匹配定位方法,其特征在于,在步骤a中,所述将特征库按类别分成若干个子特征库的操作,具体包括:
按照服务小区Bestcell进行分类,第一用户UE1、第二用户UE2的服务小区Bestcell均为第一小区CELL1,第三用户UE3的服务小区Bestcell为第二小区CELL2;
对于服务小区Bestcell相同的用户,按照到达时间TOA个数进行分类:
对于第一用户UE1,它只能收到第一小区CELL1的信号,标记为第一到达时间TOA1,所以到达时间TOA个数为1;
对于第二用户UE2,能收到第一小区CELL1和第二小区CELL2两个小区的信号,分别标记为第二到达时间TOA2及第三到达时间TOA3,所以到达时间TOA个数为2;
对于第三用户UE3,能收到第二小区CELL2和第三小区CELL3两个小区的信号,分别标记为第四到达时间TOA4及到第五达时间TOA5,到达时间TOA个数同样为2;
和/或,
在步骤b中,所述根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果的操作,具体包括:
当收到一条测量报告MR信号时:
首先,检查该测量报告MR信号的最佳小区,根据最佳小区进行第一次聚类,选中该最佳小区的子库;
其次,根据到达时间TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配;如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。
3.根据权利要求1或2所述的室外聚类匹配定位方法,其特征在于,在步骤a中,所述特征库制作的操作,具体包括:
⑴对待定位区域进行网格划分,得到网格集合L={l1,l2,...,ln},其中li=(id,xi,yi,zi),(1≤i≤n),表示第i个网格对应的网格id和位置坐标;
⑵逐个对所有网格进行信号特征量采集,得到网格指纹库RM={li,F(li)|i=1,2,...,n};对于网格li,进行多次信号特征量测量,求取样本均值作为网格指纹:
F(li)=(EcNoi,1,EcNoi,2,...,EcNoi,K;TOAi,1,TOAi,2,...,TOAi,P;RSCPi,1,RSCPi,2,...,RSCPi,Q);
其中,EcNoi,k(1≤k≤K)表示网格li收到的第k个小区的信噪比,K为信噪比的总个数;TOAi,p(1≤p≤P)表示网格li收到的第p个TOA,P为TOA的总个数;RSCPi,q(1≤q≤Q)表示网格li收到的第q个接收信号码功率,Q为接收信号码功率的总个数;
⑶逐个对所有网格指纹的特征量按照服务小区标识符CID进行聚类分割,然后对于相同服务小区下的每个子库,按照TOA的有效数目TOAnum进行二次聚类分割:
if TOAnum=0
F(li)∈RM0,1≤i≤n
elseif TOAnum=j
F(li)∈RMj,1≤i≤n,j≥1
end
其中RMj表示相同CID条件下TOA有效数目为j的子特征库。
4.根据权利要求3所述的室外聚类匹配定位方法,其特征在于,在步骤a中,所述定位的操作,具体包括:
⑷终端侧向网络侧发起定位请求,并上报信号特征量测量报告:
其中,表示MR收到的第k个小区的信噪比,K为信噪比的总个数;表示MR收到的第p个TOA,P为TOA的总个数;表示MR收到的第q个接收信号码功率,Q为接收信号码功率的总个数;
⑸网络侧获得终端侧上报的信号特征量测量报告F(l),先获取其CID,进入相应子库,并计算TOA的有效数目TOAnum,根据TOAnum的值选取相应类别的子特征库进行匹配;
⑹在子特征库中,根据不同的测量值类型,增加不同的约束条件,求取可行的匹配集合:
其中THEcNo为子特征库与MR之间对应信噪比差值的阈值,THRSCP为子特征库与MR之间对应接收信号码功率差值的阈值,THTOA为子特征库与MR之间对应TOA差值的阈值;
⑺对可行匹配集合中的指纹,读取其位置,进行平均,作为最后的估计位置;
⑻虽然TOA数目很稳定,为了精益求精,考虑到实际情况下终端侧接收TOA存在误差的情形;故此,如果在子特征库中,不存在同时满足步骤⑹中条件的点,或者待定位MR与可行指纹匹配的cell-ID个数不到则在同一CID下,到TOAnum±2的集合中搜索;
⑼如果有满足条件的,即采用;如果没有,则用同一用户的历史位置;
也就是说,如果前三个历史位置趋势稳定,取前一个历史位置作为定位结果,否则把前三个历史位置的平均值作为定位结果。
5.一种室外聚类匹配定位装置,其特征在于,主要包括依次连接的特征库制作模块、定位模块和定位结果回馈终端,其中:
所述特征库制作模块,用于根据网格环境对网格进行聚类分割,将特征库按类别分成若干个子特征库;
所述定位模块,用于当终端侧向网络侧发起定位请求时,网络侧根据终端上报的射频信号特征量进行位置估计;根据位置估计值对射频信号特征量进行聚类分析后,根据所属类别到相应子特征库里进行匹配,获得定位结果;
所述定位结果回馈终端,用于将定位结果返回给终端侧,当前定位过程结束。
6.根据权利要求5所述的室外聚类匹配定位装置,其特征在于,所述特征库制作模块,包括依次连接的服务小区Bestcell分类子模块和到达时间TOA标记子模块,其中:
所述服务小区Bestcell分类子模块,用于按照服务小区Bestcell进行分类,第一用户UE1、第二用户UE2的服务小区Bestcell均为第一小区CELL1,第三用户UE3的服务小区Bestcell为第二小区CELL2;
所述到达时间TOA标记子模块,用于对于服务小区Bestcell相同的用户,按照到达时间TOA个数进行分类:对于第一用户UE1,它只能收到第一小区CELL1的信号,标记为第一到达时间TOA1,所以到达时间TOA个数为1;对于第二用户UE2,能收到第一小区CELL1和第二小区CELL2两个小区的信号,分别标记为第二到达时间TOA2及第三到达时间TOA3,所以到达时间TOA个数为2;对于第三用户UE3,能收到第二小区CELL2和第三小区CELL3两个小区的信号,分别标记为第四到达时间TOA4及到第五达时间TOA5,到达时间TOA个数同样为2;
和/或,
所述定位模块,包括依次连接的一次聚类子模块和二次聚类子模块,其中:
所述一次聚类子模块,用于当收到一条测量报告MR信号时,检查该测量报告MR信号的最佳小区,根据最佳小区进行第一次聚类,选中该最佳小区的子库;
所述二次聚类子模块,用于根据到达时间TOA个数进行第二次聚类,找到二次聚类后的子库,再开始匹配;如果在该子库及个数相邻子库中均不能找到满足欧式距离要求的点,则将该点标记为坏点,采用历史位置作为定位点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204479.0A CN103997783B (zh) | 2014-05-14 | 2014-05-14 | 一种室外聚类匹配定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204479.0A CN103997783B (zh) | 2014-05-14 | 2014-05-14 | 一种室外聚类匹配定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103997783A true CN103997783A (zh) | 2014-08-20 |
CN103997783B CN103997783B (zh) | 2017-03-29 |
Family
ID=51311754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410204479.0A Expired - Fee Related CN103997783B (zh) | 2014-05-14 | 2014-05-14 | 一种室外聚类匹配定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103997783B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163326A (zh) * | 2015-09-30 | 2015-12-16 | 南京华苏科技股份有限公司 | 一种基于无线网络话务特征的小区聚类方法和系统 |
WO2016106667A1 (zh) * | 2014-12-31 | 2016-07-07 | 华为技术有限公司 | 一种处理用于定位的信息的方法及装置 |
CN106912103A (zh) * | 2015-12-23 | 2017-06-30 | 中国移动通信集团上海有限公司 | 一种终端定位方法及装置 |
CN106912009A (zh) * | 2015-12-22 | 2017-06-30 | 北京亿阳信通科技有限公司 | 一种景点消费监控方法及装置 |
CN107678051A (zh) * | 2016-08-01 | 2018-02-09 | 华为技术服务有限公司 | 一种定位的方法及相关设备 |
CN108243451A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团辽宁有限公司 | 一种基于mr数据在td-lte栅格中定位的方法和系统 |
CN108614284A (zh) * | 2018-04-24 | 2018-10-02 | 北京邮电大学 | 一种定位信号处理方法、装置及设备 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
WO2020134782A1 (zh) * | 2018-12-25 | 2020-07-02 | 中兴通讯股份有限公司 | 一种基于lte信号的定位方法、装置及可读存储介质 |
CN111385805A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 射频指纹信息库生成、栅格定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7697458B2 (en) * | 2006-09-18 | 2010-04-13 | Electronics And Telecommunications Research Institute | Node for self localization, clustering method using the same, and localization method |
CN102291817A (zh) * | 2011-07-11 | 2011-12-21 | 北京邮电大学 | 移动通信网络中的基于位置测量样本的群定位方法 |
CN102612139A (zh) * | 2012-03-23 | 2012-07-25 | 华北电力大学 | 一种基于网格的无线传感器网络模糊定位方法 |
CN103500165A (zh) * | 2013-08-21 | 2014-01-08 | 新华通讯社 | 一种结合聚类和双key值的高维向量检索方法 |
CN103763769A (zh) * | 2013-12-26 | 2014-04-30 | 北京邮电大学 | 基于接入点重选择和自适应簇分裂的室内指纹定位方法 |
-
2014
- 2014-05-14 CN CN201410204479.0A patent/CN103997783B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7697458B2 (en) * | 2006-09-18 | 2010-04-13 | Electronics And Telecommunications Research Institute | Node for self localization, clustering method using the same, and localization method |
CN102291817A (zh) * | 2011-07-11 | 2011-12-21 | 北京邮电大学 | 移动通信网络中的基于位置测量样本的群定位方法 |
CN102612139A (zh) * | 2012-03-23 | 2012-07-25 | 华北电力大学 | 一种基于网格的无线传感器网络模糊定位方法 |
CN103500165A (zh) * | 2013-08-21 | 2014-01-08 | 新华通讯社 | 一种结合聚类和双key值的高维向量检索方法 |
CN103763769A (zh) * | 2013-12-26 | 2014-04-30 | 北京邮电大学 | 基于接入点重选择和自适应簇分裂的室内指纹定位方法 |
Non-Patent Citations (2)
Title |
---|
SHENG-PO KUO,ETC: "《Cluster-Enhanced Techniques for Pattern-Matching Localization Systems》", 《IEEE INTERNATIONAL CONFERENCE ON MOBILE ADHOC AND SENSOR SYSTEM》 * |
徐娟: "《蜂窝无线网络中手机定位算法的研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016106667A1 (zh) * | 2014-12-31 | 2016-07-07 | 华为技术有限公司 | 一种处理用于定位的信息的方法及装置 |
US9986531B2 (en) | 2014-12-31 | 2018-05-29 | Huawei Technologies Co., Ltd. | Positioning information processing method and apparatus |
CN105163326B (zh) * | 2015-09-30 | 2018-09-28 | 南京华苏科技有限公司 | 一种基于无线网络话务特征的小区聚类方法和系统 |
CN105163326A (zh) * | 2015-09-30 | 2015-12-16 | 南京华苏科技股份有限公司 | 一种基于无线网络话务特征的小区聚类方法和系统 |
CN106912009A (zh) * | 2015-12-22 | 2017-06-30 | 北京亿阳信通科技有限公司 | 一种景点消费监控方法及装置 |
CN106912009B (zh) * | 2015-12-22 | 2021-09-07 | 北京亿阳信通科技有限公司 | 一种景点消费监控方法及装置 |
CN106912103A (zh) * | 2015-12-23 | 2017-06-30 | 中国移动通信集团上海有限公司 | 一种终端定位方法及装置 |
CN106912103B (zh) * | 2015-12-23 | 2019-10-18 | 中国移动通信集团上海有限公司 | 一种终端定位方法及装置 |
CN107678051A (zh) * | 2016-08-01 | 2018-02-09 | 华为技术服务有限公司 | 一种定位的方法及相关设备 |
CN108243451B (zh) * | 2016-12-27 | 2021-07-16 | 中国移动通信集团辽宁有限公司 | 一种基于mr数据在td-lte栅格中定位的方法和系统 |
CN108243451A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团辽宁有限公司 | 一种基于mr数据在td-lte栅格中定位的方法和系统 |
CN108614284A (zh) * | 2018-04-24 | 2018-10-02 | 北京邮电大学 | 一种定位信号处理方法、装置及设备 |
WO2020134782A1 (zh) * | 2018-12-25 | 2020-07-02 | 中兴通讯股份有限公司 | 一种基于lte信号的定位方法、装置及可读存储介质 |
CN111385805A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 射频指纹信息库生成、栅格定位方法及装置 |
CN111385805B (zh) * | 2018-12-29 | 2022-08-19 | 中兴通讯股份有限公司 | 射频指纹信息库生成、栅格定位方法及装置 |
CN110516837B (zh) * | 2019-07-10 | 2020-12-18 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103997783B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103997783B (zh) | 一种室外聚类匹配定位方法和装置 | |
US7574221B2 (en) | Method for estimating jointly time-of-arrival of signals and terminal location | |
Pei et al. | Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning | |
CN106507411B (zh) | 一种基于mr的lte工参自动核查方法 | |
US10809350B2 (en) | Hybrid fingerprinting/OTDOA positioning techniques and systems | |
CN102480677B (zh) | 一种指纹定位误差的确定方法和设备 | |
CN102480678B (zh) | 一种指纹定位方法和系统 | |
US8532676B1 (en) | Estimating whether a wireless terminal is indoors versus outdoors using probabilities and classifications | |
CN108260202B (zh) | 一种测量报告采样点的定位方法及装置 | |
Vari et al. | mmWaves RSSI indoor network localization | |
CN103841640A (zh) | 一种基于定位位置残差的nlos基站识别与定位方法 | |
Brida et al. | An experimental evaluation of AGA algorithm for RSS positioning in GSM networks | |
US8659478B2 (en) | Wireless positioning method, wireless positioning apparatus, and mobile station | |
Wölfle et al. | Enhanced localization technique within urban and indoor environments based on accurate and fast propagation models | |
Vaghefi et al. | Cooperative RF pattern matching positioning for LTE cellular systems | |
Zhu et al. | Maximum likelihood scheme for fingerprinting positioning in LTE system | |
CN102833848B (zh) | 一种移动台定位方法、装置和系统 | |
Shrestha et al. | RSSI channel effects in cellular and WLAN positioning | |
Chu et al. | Locating mobile stations with statistical directional propagation model | |
Machaj et al. | Challenges introduced by heterogeneous devices for Wi‐Fi–based indoor localization | |
Mondal et al. | Positioning in heterogeneous small cell networks using MDT RF fingerprints | |
Mondal et al. | An efficient grid-based RF fingerprint positioning algorithm for user location estimation in heterogeneous small cell networks | |
Wang et al. | RSSI-based localization in cellular networks | |
CN110456307B (zh) | 一种基于室内伪卫星信号载噪比的终端定位方法 | |
Shrestha | RSS-based position estimation in cellular and WLAN networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170329 Termination date: 20180514 |