CN105578508B - 基于用户行为特征评估道路网络质量的方法 - Google Patents

Abstract

本发明公开了一种基于用户行为特征评估道路网络质量的方法，它包括以下步骤：S1：MR数据采集并存储在数据库相应的表中；S2：MR数据解析：在数据库中提取MR原始码流，按照应答数据格式，解析MR原始时间并存储在数据库中；S3：MR室内外分离；S4：对分离出的室外MR去除噪声数据；S5：计算室外MR的移动性；S6：对高速移动用户的MR进行聚类；S7：将高速移动的MR栅格实施道路拟合；S8：对拟合后的MR栅格实施网络质量评估。本发明弥补了传统车载测试DT随机性强、费时费力、设备操作复杂和不能全面反映网络质量的不足，采用用户实际使用网络产生的全天候实时海量数据，数据获取成本很低，大大降低了人工测试强度。

Description

基于用户行为特征评估道路网络质量的方法

技术领域

本发明涉及一种基于用户行为特征评估道路网络质量的方法。

背景技术

传统的道路网络质量评估方法主要以车载测试DT为基础，这种方法的典型模型由测试人员、测试车辆、测试电脑、测试软件、测试终端、GPS信息采集器和车载电源构成。它以车载的方式在一定范围内采集通话信号，并通过测试软件记录和整合车辆移动地理轨迹、信令信息和事件信息等交互消息，达到提取一次随机抽样样本评估整体网络质量的目的。传统道路测试DT虽然很好的结合了地理化呈现、移动网络通话信息、实时信令等信息，并能够清晰展示某一区域网络质量。但是传统车载测试方法模型复杂，人工参与度高，随机抽样样本数量较少，测试结果随机性强、人为主观影响大，费时费力，消耗大量优化资源，且每种测试方式，只能代表一种类型评估结果，不能全部表征某一区域网络质量。但对运营商而言，需要更全面、更便捷、更真实反映网络质量的方法来评估移动网络质量。

此外，随着城市规模的不断扩大和移动通信网络规模的扩张，传统车载测试DT费时费力，消耗大量网络优化资源。而且，由于是人工操作，不可避免的存在路线遗漏测试、重复测试，测试路径不全面、测试标准不统一和评估结果不全面的现象。同时，随着移动网络业务种类的丰富，传统车载测试不得不靠增加测试终端数量和模拟业务类型来满足不同业务类型质量评估。一方面增加测试终端数量，提高了购买测试设备成本，增加了设备操作的复杂性，严重影响测试工作的开展；另一方面，毕竟测试业务数量有限，不能全面反映用户实际使用网络质量，无法全面体现用户感知。

虽然近几年出现了手持式智能终端替代传统车载测试模型，但智能终端测试存在稳定性和可靠性差，测试GPS轨迹易偏离，数据导出和数据分析复杂等问题。目前仅作为一种简化模型参考，未进行大规模推广。此外还有自动路测设备，虽然排除了人为主观因素影响，但是测试数据随机性仍然存在，且测试数据有效性降低，耗费更多优化资源。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于用户行为特征评估道路网络质量的方法。

本发明的目的是通过以下技术方案来实现的：基于用户行为特征评估道路网络质量的方法，它包括以下步骤：

S1：MR数据采集：在OMC-R网元上采集MR数据原始码流，并存储在数据库相应的表中；

S2：MR数据解析：在数据库中提取MR原始码流，按照应答数据格式，解析MR原始时间并存储在数据库中；

S3：MR室内外分离：提取数据库中的原始MR数据，实施基于室分数据源、用户移动性、室外测试特征分离法将MR分类为室外和室内场景；

S4：对分离出的室外MR去除噪声数据：对不合法以及不符合逻辑的室外MR数据实施过滤；

S5：计算室外MR的移动性：按用户IMSI以及用户发起业务的时间对用户进行排序，计算用户的移动速率；

S6：对高速移动用户的MR进行聚类：将高速移动用户的MR实施地理化聚类，聚合到N*N米的栅格中；

S7：将高速移动的MR栅格实施道路拟合：采集道路路测DT数据，同样将DT数据实施栅格化，将高速MR栅格与DT栅格进行匹配，完成高速MR栅格道路拟合；

S8：对拟合后的MR栅格实施网络质量评估：评估拟合后的栅格覆盖、质量、业务量网络水平。

所述的步骤S3包括以下子步骤：

S31：提取数据库中的原始MR数据；

S32：判断主小区或者邻区中的PSC是否大于N1，如果是的话则将MR认为是室内MR，否则进入步骤S33；

S33：采用贝叶斯进行分离：分别计算室外概率和室内概率，并计算rate值，所述rate值为室外概率除以室内概率得到的值；其中，若rate值大于N2，则将MR认为是室外MR；若rate值小于N3，则将MR认为是室内MR，若rate值在大于N3小于N2，则认为通过贝叶斯分离未成功，此时进入步骤S34；

S34：采用神经网络模型进行判断。

所述的步骤S34包括以下子步骤：

S341：确定输入和输出参数：选取MR包含的前n强导频RSCP、Ec/Io作为输入参数，输出参数是该MR点的室内或室外属性；

S342：获得神经网络学习样本，所述的学习样本具备以下条件：

(1)样本点要有明确的特征，应清楚地知道所用样本是室内MR数据还是室外MR数据，因此采集样本时应在室内外分别采集；

(2)样本点要有代表性，选用能代表本地环境的样本区域进行采集；同时，室内和室外采样都应结合本地特征选择具有代表性的区域进行采集，且采集应包含多种类型环境，以使训练后的神经网络系统区分本地MR数据时的准确度更高；

S343：神经网络模型的建立：将符合筛选要求的训练样本点划分为学习数据和检验数据，其中：学习数据用来训练神经网络的模型，检验数据用来检验神经网络模型的区分置信度；根据用户对置信度的要求，反复地调整神经网络系统参数，直到满足用户置信度要求为止；模型建立后，即可用来对未知MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得；

S344：利用神经网络进行MR分离：对完成训练的神经网络系统的所有参数进行固化；利用已建立的神经网络系统，对现网混合在一起的原始室内外MR数据进行判断，将室内MR数据从所有数据中分离出来。

所述的室外MR去除噪声数据包括以下情况：

(1)对距离过远MR进行过滤：根据当前MR采样点的经纬度(lon,lat)与产生MR的小区的经纬度(lon1,lat1)，计算出两者间距dist，如果dist大于门限thre，那么判断当前MR为噪声数据，实施过滤；

(2)对非道路面MR进行过滤：根据当前MR采样点的经纬度(lon1,lat1)与楼宇数据库的所有楼宇的经纬度{{lon1,lat1},{lon2,lat2}……{lonn,latn}}计算其间距，得到间距集合{dist1,dist2……distn}，得到mdist＝min{dist1,dist2……distn},若mdist小于门限mdist，则判断当前MR为噪声数据，实施过滤。

在步骤S4之后还包括一个室内外分离属性校正步骤：首先门限设置为N4和N5，对于产生于用户的单次会话有X条MR，有Y条被判定为室外，Z条室内，若室内比例为Z/X>N4，则把Y条被判定为室外的MR校正为室内；同时，若室外比例为Y/X>N5，则把X条被判定为室外的MR校正为室内。

所述的步骤S5包括以下子步骤：

S51：对MR实施排序，把混乱的分离出的室外MR数据先按用户进行排序，排序后再按用户发起业务的时间顺序进行排序；

S52：根据MR的经纬度，计算用户单位时间移动距离：根据用户的MR轨迹为{{lon1,lat1},{lon2,lat2}……{lonn,latn}}，得到相邻两点间的距离D＝{dist1,dist2……distn}，若现网设置的MR上报间隔时间为k秒，则可得出用户移动速率集合V＝D/k＝{V1,V2……Vn}；

S53：对速率噪声实施过滤：理论上用户速率应该小于一个经验值Vmax，若Vi>Vmax(0<i<＝n)，则过滤掉Vmax；

S54：计算用户单次会话的平均速率Vavg：

S55：得到高速移动用户的MR：若Vavg大于门限thre，则说明用户处于高速移动状态,得到Vavg对应的MR集合。

所述的步骤S6包括以下子步骤：

S61：经纬度归一化处理，保留p位小数；

S62：确定每条MR数据的栅格标识；

S63：将所有的MR采样点数据实施S62步骤，确定每个采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成MR数据的栅格化聚类。

所述的步骤S7包括以下子步骤：

S71：采集路测DT数据，按照步骤S6的方法，同样将DT数据栅格化；

S72：将步骤S6得到的的MR栅格与步骤S71中的DT栅格进行匹配：遍历每个MR栅格，计算MR栅格与步骤S71中的DT栅格的距离，得到最小距离mdist；

S73：若mdist小于一门限thre，则保留当前栅格，作为下一步评估道路网络质量的样本数据，否则将当前栅格过滤掉。

本发明的有益效果是：本发明弥补了传统车载测试DT随机性强、费时费力、设备操作复杂和不能全面反映网络质量的不足。它采用用户实际使用网络产生的全天候实时海量数据，数据获取成本很低，大大降低了人工测试强度。包含了用户使用网络的所有业务类型、所有场景和不同道路，排除随机性小概率事件，数据样本全面。此外，本发明采用批量数据处理，减少了人为分析网络的主观性影响，大大提高了数据处理效率，显著提升网络质量评估效率，是对传统车载测试DT的颠覆性改进。

附图说明

图1为本发明方法流程图；

图2为步骤S3流程图；

图3为神经网络中的输入输出参数示意图；、

图4为步骤S4流程图；

图5为步骤S5流程图；

图6为步骤S6流程图；

图7为步骤S7流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案：如图1所示，基于用户行为特征评估道路网络质量的方法，它包括以下步骤：

S1：MR数据采集：在OMC-R网元上采集MR数据原始码流，并存储在数据库相应的表中；

S2：MR数据解析：在数据库中提取MR原始码流，按照应答数据格式，解析MR原始时间并存储在数据库中；

S3：MR室内外分离：提取数据库中的原始MR数据，实施基于室分数据源、用户移动性、室外测试特征分离法将MR分类为室外和室内场景；

如图2所示，所述的步骤S3包括以下子步骤：

S31：提取数据库中的原始MR数据；

S32：判断主小区或者邻区中的PSC是否大于432，如果是的话则将MR认为是室内MR，否则进入步骤S33；

PSC：psc＝primary scrambe code，扰码，用来在小区搜索过程中解码主公共控制物理信道，从而解调出系统下发的广播消息，得到小区信息。

S33：采用贝叶斯进行分离：分别计算室外概率和室内概率；

具体地，室外概率＝P1*R1*D1*E1*T1；其中，

P1:为经验值：0.3；

R1:根据主小区RSCP值判断：若RSCP<-90，R1取值为0.3；若RSCP>＝-90，R1取值为0.7；

D1:为主小区与第二个邻区的RSCP差值：若D<8，D1取值为0.3；若D>＝8，D1取值为0.7；

E1:为主小区的ECNO值：若ECNO<-8，E1取值为：0.32；若ECNO>＝-8，E1取值为：0.68；

T1:为Txpower：若主小区RSCP>＝-85,T1取值为：1；若主小区RSCP<-85&&Txpower<-5，T1取值为：0.79；若主小区RSCP<-85&&Txpower>＝-5，T1取值为：0.21。

RSCP：接收信号码功率(Received Signal Code Power)，在DPCH、PRACH或PUSCH等物理信道上收到的某一个信号码功率。

ECNO：RSCP/RSSI Ratio of energy per modulating bit to the noisespectral density每个调制比特的能量与噪声功率之比.(接受信号功率/整个信道带宽内的接受功率)。

TXPOWER：是手机的发射功率。

D：主小区和第二邻区的RSCP差值。

室内概率＝P2*R2*D2*E2*T2；其中，

P2:为经验值：0.7；

R2:根据主小区RSCP值判断：若RSCP&lt;-90，R2取值为0.42；若RSCP&gt;＝-90，R2取值为0.58；

D2:为主小区与第二个邻区的RSCP差值：若D&lt;8，D2取值为0.8；若D&gt;＝8，D2取值为0.2；

E2:为主小区的ECNO值：若ECNO&lt;-8，E2取值为：0.58；若ECNO&gt;＝-8，E2取值为：0.42；

T2:为Txpower：若主小区RSCP>＝-85,T2取值为：1；若主小区RSCP<-85&&Txpower<-5，T2取值为：0.2；若主小区RSCP<-85&&Txpower>＝-5，T2取值为：0.8。

计算rate值，rate＝室外概率/室内概率：若rate值大于1.2，则将MR认为是室外MR；若rate值小于0.8，则将MR认为是室内MR，若rate值在大于0.8小于1.2，则认为通过贝叶斯分离未成功，此时进入步骤S34；

S34：采用神经网络模型进行判断，包括以下子步骤：

S341：确定输入和输出参数：室内外MR数据所含导频个数、导频强度及导频间强度差值存在着一定的差异，选取MR包含的前n强导频RSCP、Ec/Io作为输入参数(建议n取值4)，输出参数是该MR点的室内或室外属性，如图3所示；其中，Ec/No是ECDMA无线网络优化最重要的一个指标，定义为导频信道RSCP与RSSI的比值，其中RSSI是终端频点内的接收总功率。

S342：获得神经网络学习样本，学习样本在神经网络应用中是至关重要的。正确的学习样本能训练出高准确率的神经网络系统，若学习样本存在错误，后期应用中的错误区分率将会大为增加。一个好的学习样本应具备以下条件：

(1)样本点要有明确的特征，应清楚地知道所用样本是室内MR数据还是室外MR数据，不能使用混淆在一起的无法区分室内外属性的MR数据作为训练样本，因此采集样本时应在室内外分别采集；

(2)样本点要有代表性，选用能代表本地环境的样本区域进行采集；同时，室内和室外采样都应结合本地特征选择具有代表性的区域进行采集，且采集应包含多种类型环境，以使训练后的神经网络系统区分本地MR数据时的准确度更高；

S343：神经网络模型的建立：将符合筛选要求的训练样本点划分为学习数据和检验数据，其中：学习数据用来训练神经网络的模型，检验数据用来检验神经网络模型的区分置信度；根据用户对置信度的要求，反复地调整神经网络系统参数，直到满足用户置信度要求为止；模型建立后，即可用来对未知MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得；

S344：利用神经网络进行MR分离：对完成训练的神经网络系统的所有参数进行固化；利用已建立的神经网络系统，对现网混合在一起的原始室内外MR数据进行判断，将室内MR数据从所有数据中分离出来。

步骤S3中，由于MR原始数据中频率数据的大量缺失，所以未能引入频点进行判断。在以后的的判定中可以引入频率。

S4：对分离出的室外MR去除噪声数据：对不合法以及不符合逻辑的室外MR数据实施过滤；如图4所示，所述的室外MR去除噪声数据包括以下情况：

(1)对距离过远MR进行过滤：根据当前MR采样点的经纬度(lon,lat)与产生MR的小区的经纬度(lon1,lat1)，计算出两者间距dist，如果dist大于门限thre，那么判断当前MR为噪声数据，实施过滤；

(2)对非道路面MR进行过滤：根据当前MR采样点的经纬度(lon1,lat1)与楼宇数据库的所有楼宇的经纬度{{lon1,lat1},{lon2,lat2}……{lonn,latn}}计算其间距，得到间距集合{dist1,dist2……distn}，得到mdist＝min{dist1,dist2……distn},若mdist小于门限mdist，则判断当前MR为噪声数据，实施过滤。

在步骤S4之后还包括一个室内外分离属性校正步骤：因为每个用户单次会话产生的MR理论上室内外属性是一致的，如果发现不一致的情况需要校正。

方法举例：门限设置为70％，例如有10条MR产生于用户的单次会话，有2条被判定为室外，8条室内，其室内比例为8/10&gt;70％，则把2条被判定为室外的MR校正为室内。

S5：计算室外MR的移动性：按用户IMSI以及用户发起业务的时间对用户进行排序，计算用户的移动速率；如图5所示，所述的步骤S5包括以下子步骤：

S51：对MR实施排序，把混乱的分离出的室外MR数据先按用户进行排序，排序后再按用户发起业务的时间顺序进行排序；

S52：根据MR的经纬度，计算用户单位时间移动距离：根据用户的MR轨迹为{{lon1,lat1},{lon2,lat2}……{lonn,latn}}，得到相邻两点间的距离D＝{dist1,dist2……distn}，若现网设置的MR上报间隔时间为k秒，则可得出用户移动速率集合V＝D/k＝{V1,V2……Vn}；

S53：对速率噪声实施过滤：理论上用户速率应该小于一个经验值Vmax，若Vi&gt;Vmax(0&lt;i&lt;＝n)，则过滤掉Vmax；

S54：计算用户单次会话的平均速率Vavg：

S55：得到高速移动用户的MR：若Vavg大于门限thre，则说明用户处于高速移动状态,得到Vavg对应的MR集合。

S6：对高速移动用户的MR进行聚类：将高速移动用户的MR实施地理化聚类，聚合到N*N米的栅格中；如图6所示，所述的步骤S6包括以下子步骤：

S61：经纬度归一化处理，保留5位小数。若采集到的经纬度小数点后位数超过5位，则省略掉第5位后的位数，若不足5位，则在后面补0。

S62：确定每条MR数据的栅格标识；以50米*50米栅格为例，截取经纬度小数点后第4位(精度为10米)假设为a(0&lt;＝a&lt;＝9)，若a&lt;＝5则a统一取值为0；若a&gt;5，则a取值为5。将经度的前7位与a连接与纬度的前6位与a连接即得到每条MR的栅格标识；

例子：(106.34562,29.38127)的50米*50米的栅格标识为(106.3455,29.3810)。

S63：将所有的MR采样点数据实施S62步骤，确定每个采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成MR数据的栅格化聚类。

S7：将高速移动的MR栅格实施道路拟合：采集道路路测DT数据，同样将DT数据实施栅格化，将高速MR栅格与DT栅格进行匹配，完成高速MR栅格道路拟合；如图7所示，所述的步骤S7包括以下子步骤：

S71：采集路测DT数据，按照步骤S6的方法，同样将DT数据栅格化；

S72：将步骤S6得到的的MR栅格与步骤S71中的DT栅格进行匹配：遍历每个MR栅格，计算MR栅格与步骤S71中的DT栅格的距离，得到最小距离mdist；

S73：若mdist小于一门限thre，则保留当前栅格，作为下一步评估道路网络质量的样本数据，否则将当前栅格过滤掉。

S8：对拟合后的MR栅格实施网络质量评估：评估拟合后的栅格覆盖、质量、业务量网络水平。

Claims (7)

1.基于用户行为特征评估道路网络质量的方法，其特征在于：它包括以下步骤：

S1：MR数据采集：在OMC-R网元上采集MR数据原始码流，并存储在数据库相应的表中；

S2：MR数据解析：在数据库中提取MR原始码流，按照应答数据格式，解析MR原始时间并存储在数据库中；

S3：MR室内外分离：提取数据库中的原始MR数据，实施基于室分数据源、用户移动性、室外测试特征分离法将MR分类为室外和室内场景；

S4：对分离出的室外MR去除噪声数据：对不合法以及不符合逻辑的室外MR数据实施过滤；

S5：计算室外MR的移动性：按用户IMSI以及用户发起业务的时间对用户进行排序，计算用户的移动速率；

S6：对高速移动用户的MR进行聚类：将高速移动用户的MR实施地理化聚类，聚合到N*N米的栅格中；

S7：将高速移动的MR栅格实施道路拟合：采集道路路测DT数据，同样将DT数据实施栅格化，将高速MR栅格与DT栅格进行匹配，完成高速MR栅格道路拟合；

S8：对拟合后的MR栅格实施网络质量评估：评估拟合后的栅格覆盖、质量、业务量网络水平；

所述的步骤S3包括以下子步骤：

S31：提取数据库中的原始MR数据；

S32：判断主小区或者邻区中的PSC是否大于N1，如果是的话则将MR认为是室内MR，否则进入步骤S33；

S33：采用贝叶斯进行分离：分别计算室外概率和室内概率，并计算rate值，所述rate值为室外概率除以室内概率得到的值；其中，若rate值大于N2，则将MR认为是室外MR；若rate值小于N3，则将MR认为是室内MR，若rate值大于N3小于N2，则认为通过贝叶斯分离未成功，此时进入步骤S34；

S34：采用神经网络模型进行判断。

2.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的步骤S34包括以下子步骤：

S341：确定输入和输出参数：选取MR包含的前n强导频RSCP、Ec/Io作为输入参数，输出参数是该MR点的室内或室外属性；

S342：获得神经网络学习样本，所述的学习样本具备以下条件：

(1)样本点要有明确的特征，应清楚地知道所用样本是室内MR数据还是室外MR数据，因此采集样本时应在室内外分别采集；

(2)样本点要有代表性，选用能代表本地环境的样本区域进行采集；同时，室内和室外采样都应结合本地特征选择具有代表性的区域进行采集，且采集应包含多种类型环境，以使训练后的神经网络系统区分本地MR数据时的准确度更高；

S343：神经网络模型的建立：将符合筛选要求的训练样本点划分为学习数据和检验数据，其中：学习数据用来训练神经网络的模型，检验数据用来检验神经网络模型的区分置信度；根据用户对置信度的要求，反复地调整神经网络系统参数，直到满足用户置信度要求为止；模型建立后，用来对未知MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得；

S344：利用神经网络进行MR分离：对完成训练的神经网络系统的所有参数进行固化；利用已建立的神经网络系统，对现网混合在一起的原始室内外MR数据进行判断，将室内MR数据从所有数据中分离出来。

3.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的室外MR去除噪声数据包括以下情况：

(1)对距离过远MR进行过滤：根据当前MR采样点的经纬度(lon,lat)与产生MR的小区的经纬度(lon1,lat1)，计算出两者间距dist，如果dist大于门限thre，那么判断当前MR为噪声数据，实施过滤；

(2)对非道路面MR进行过滤：根据当前MR采样点的经纬度(lon1,lat1)与楼宇数据库的所有楼宇的经纬度{{lon1,lat1},{lon2,lat2}……{lonn,latn}}计算其间距，得到间距集合{dist1,dist2……distn}，得到mdist＝min{dist1,dist2……distn},若mdist小于门限mdist，则判断当前MR为噪声数据，实施过滤。

4.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：在步骤S4之后还包括一个室内外分离属性校正步骤：首先门限设置为N4和N5，对于产生于用户的单次会话有X条MR，有Y条被判定为室外，Z条室内，若室内比例为Z/X&gt;N4，则把Y条被判定为室外的MR校正为室内；同时，若室外比例为Y/X&gt;N5，则把X条被判定为室外的MR校正为室内。

5.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的步骤S5包括以下子步骤：

S51：对MR实施排序，把混乱的分离出的室外MR数据先按用户进行排序，排序后再按用户发起业务的时间顺序进行排序；

S52：根据MR的经纬度，计算用户单位时间移动距离：根据用户的MR轨迹为{{lon1,lat1},{lon2,lat2}……{lonn,latn}}，得到相邻两点间的距离D＝{dist1,dist2……distn}，若现网设置的MR上报间隔时间为k秒，则可得出用户移动速率集合V＝D/k＝{V1,V2……Vn}；

S53：对速率噪声实施过滤：理论上用户速率应该小于一个经验值Vmax，若Vi&gt;Vmax(0&lt;i&lt;＝n)，则过滤掉Vmax；

S54：计算用户单次会话的平均速率Vavg：

S55：得到高速移动用户的MR：若Vavg大于门限thre，则说明用户处于高速移动状态,得到Vavg对应的MR集合。

6.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的步骤S6包括以下子步骤：

S61：经纬度归一化处理，保留p位小数；

S62：确定每条MR数据的栅格标识；

S63：将所有的MR采样点数据实施S62步骤，确定每个采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成MR数据的栅格化聚类。

7.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的步骤S7包括以下子步骤：

S71：采集路测DT数据，按照步骤S6的方法，同样将DT数据栅格化；

S72：将步骤S6得到的MR栅格与步骤S71中的DT栅格进行匹配：遍历每个MR栅格，计算MR栅格与步骤S71中的DT栅格的距离，得到最小距离mdist；

S73：若mdist小于一门限thre，则保留当前栅格，作为下一步评估道路网络质量的样本数据，否则将当前栅格过滤掉。