CN106211194A - 一种基于统计模型的mr数据室内外分离方法 - Google Patents

Abstract

本发明提出一种基于统计模型的MR数据室内外分离方法，针对室外宏站每个小区的MR采样数据进行接收信号的特征值统计，包括统计主区电平；进行混合高斯分布的分离及概率计算，根据室内概率获得相应室内外分离结果。并且支持结合主区电平、主邻电平差和邻区数量等多种因素，通过组合模型判定输出室内外判定结果；还可以综合其它角度的判断方法。本发明利用了MR数据的信号强度和信号数量在统计意义上呈现出的由室内和室外两个正态分布进行组合的数据特征，可以计算得到不同信号强度和信号数量出现在室内或者室外的概率，使得根据信号特征分离MR数据的方法更加可行，提高了MR数据室内外分离的准确度。

Description

一种基于统计模型的MR数据室内外分离方法

技术领域

本发明涉及LTE通信技术领域，特别涉及一种基于统计模型的MR数据室内外分离方法。

背景技术

当前LTE（Long Term Evolution，长期演进)网络广度覆盖建设已经完成，城市道路的RSRP指标都已经达到广度覆盖的目标要求，网络深度覆盖的建设和优化已成为主要工作。统计数据显示，70%以上的移动通信业务量都发生在室内，如果在室内存在弱覆盖等问题，将会严重的影响用户体验，因此能否快速、准确的识别与定位城市室内深度弱覆盖区域，是解决深度覆盖的首要任务。

传统的人工室内扫楼测试耗时、耗力、成本极高且测试不全面，无法有效支撑深度覆盖的评估与优化。MR（Measurement Report，测量报告）数据是通过网络通信设备采集汇总的用户通信的真实测量结果，包含了RSRP(Reference Signal Receiving Power，参考信号接收功率)、RSRQ（ReferenceSignalReceivingQuality，LTE参考信号接收质量）等通信质量关键指标，代表了用户的真实感知，通过对MR数据的分析，可以低成本、快速的发现网络问题，提升用户网络体验。因此，利用MR数据来进行室内外覆盖分析作为一种非常有前途的方法已经逐渐成为了当前的研究热点。然而，根据3GPP协议规定，MR数据中并没有用户身份、坐标等信息，所以无法直接对MR数据所携带的信息进行室内外MR点区分。不能区分室内外，不仅无法实现对室内覆盖的监测，还进一步影响到了MR点坐标的准确定位。

因此，如何对MR数据进行室内外分离，成为了业界重点关注的课题。

目前，研究人员围绕这一课题，从基站类型、用户行为、运动状态、信号特征等不同角度出发，提出了一些有针对性的解决方法。其中根据信号特征的分离方法，依据是室内外信号所具备的不同特征，室内信号因为受到墙壁阻挡被削弱，相比较于室外信号，信号强度较弱，信号数量较少，据此可以区分室内外情形，但是要区分每一条MR数据并设定区分门限却是很困难的，因为不同环境的室内外MR数据特征门限是不一样的。因而根据信号特征的MR数据分离方法，目前缺乏更进一步的理论方法指导，尚难以走向实用。

发明内容

本发明目的在于克服现有方法的不足，提出了一种基于统计模型的MR数据室内外分离方法。

本发明技术方案提供一种基于统计模型的MR数据室内外分离方法，针对室外宏站每个小区的MR采样数据进行接收信号的特征值统计，所述特征值统计包括统计主区电平；进行混合高斯分布的分离及概率计算，根据室内概率，获得相应室内外分离结果；

所述进行混合高斯分布的分离及概率计算，实现方式如下，

根据室外基站接收的信号是由室内信号正态分布和室外信正态分布的叠加形成的混合高斯分布，进行混合正态分布分离，得到室内信号正态分布和室外信号正态分布的拟合曲线；

在两个拟合曲线有上下重叠的地方，对某一统计区间值，通过两个曲线分别相应的室内概率比值A和室外概率比值B，进一步计算出室内概率PA和室外概率PB，PA=A/(A+B)×100%，PB=B/(A+B)×100%。

而且，所述特征值统计包括统计主区电平、主邻电平差和邻区数量，分别进行混合高斯分布的分离及概率计算，按以下组合模型获得相应室内外分离结果，

室内概率=(主区电平室内概率×权重1+主邻电平差室内概率×权重2+邻区数量室内概率×权重3)×100%，

其中，权重1+权重2+权重3=1。

而且，在进行初步判断后，余下的不能判断的采样点再通过组合模型获得相应室内外分离结果。

本发明从信号特征这个角度入手分离MR数据，对信号特征的门限阈值确定提供了一种全新的指导方法，使得根据信号特征分离MR数据的方法更加可行，提高了MR数据室内外分离的准确度。其中主要利用了MR数据的信号强度和信号数量在统计意义上呈现出的由室内和室外两个正态分布进行组合的数据特征，可以计算得到不同信号强度和信号数量出现在室内或者室外的概率，从而为每一条MR数据室内外特征门限的确定提供了客观依据。

附图说明

图1为本发明实施例原理图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

首先阐述方案实现原理：

室外无线基站的选址布局大致呈现蜂窝状，每个基站都能够以一定的电平范围收发无线信号，经过调校，基站会以某个最经济合理的电平值为中心收发信号，观察某基站大量MR采样点的接收电平RSRP，会发现其取值在这个中心电平值附近的聚集的最多，随着电平值的增大或者减小，采样点数量会逐渐减小，大体呈现一种钟形分布，因此可以推断MR采样点的接收电平RSRP值是以这个中心电平值为中心出现了正负的随机偏差。如果一件事情受很多随机的微小因素影响，每种因素的影响又非常小的情况下，它就符合正态分布，MR采样点的接收电平RSRP值虽然会被调校到一个最合适的值附近，但是还是会受到距离、遮挡等很多随机微小因素影响，所以可以确定，MR采样点的RSRP的分布是一个以中心电平值为期望的正态分布。实际统计数据也表明，室外电平的分布服从某种近似的正态分布。

室外信号进入室内，受到墙壁阻挡影响被削弱，因为受到的影响因素都是相同的，一个正态分布如果受到同一因素影响，那么得到的新的分布也服从正态分布，所以削弱后的室内信号其电平值产生又一个独立的正态分布。

因此，室外基站接收信号统计特征的分布原理是，室外基站采集的MR数据同时包含了室外和室内两类信号，室外信号分布呈现正态分布，室内信号受到墙壁阻挡这一相同因素影响被削弱形成另一个独立的正态分布，室外基站接收的信号是由室内信号和室外信号两个正态分布的叠加形成的混合高斯分布。

因此在研究室外宏站采集到的大量MR数据接收电平值RSRP的分布时，如果以电平值为横轴，分布于该电平值的采样值统计数量占比为纵轴，绘制直方图，会观察到其分布是由室内信号和室外信号两个正态分布的叠加形成。其分布情况如附图1所示，直方图显示靠左边电平较弱的区域是室内正态分布，靠右边电平较强的区域是室外正态分布。

多个正态分布叠加形成的分布称为混合高斯分布（GMM），采用数学方法（如EM算法）对这个分布进行参数估计，可得到两个正态分布的拟合曲线。通过拟合曲线可进一步计算得到某个电平值处于室外或者是室内的概率。那么当单个MR点需要根据接收电平RSRP进行室内外判定时，其门限阈值可以通过计算得来的概率来指导确定。

某一个小区的MR数据特征，不仅是主区信号电平的分布是室内和室外两个正态分布的叠加，主邻电平差、邻区数量等特征值也都呈现同样的室内外两个正态分布左右叠加的分布形态，这些特征同样也可以用来辅助进行本小区MR数据采样点的室内外区分。

不同小区之间MR数据特征的分布形态各不相同，参数估计得到的拟合曲线也互有差异，因此每个小区都要分别统计计算得到各自对应的特征值概率分布，本小区的特征值概率分布只能指导本小区室内外判定的阈值确定。本发明实施例的具体实现如下：

首先进行接收信号的特征值统计：

室外宏站采集的MR数据同时包含了室外和室内信号。针对室外宏站每个小区的MR采样数据进行大数据量统计，统计指标包括主区电平，进一步地，可以包括主邻电平差、邻区数量等，按照各指标采样值为统计区间，对处于每个区间的MR采样点数量进行汇总，汇总特征值需要达到足够数量(具体实施时本领域技术人员可预设取值，建议取10000个以上)以使得后面的拟合曲线和概率计算能够达到较好的效果。

然后进行混合高斯分布的分离及概率计算

首先是拟合曲线的计算。采用EM算法实现混合正态分布分离，先假设一个分布的均值和方差，然后采用最大似然法筛选出属于这个分布的采样点，那么剩下的采样点属于第二个分布，分离完成后，根据分离的采样点估算得到两个分布的参数(均值和方差)，此时完成一次迭代，然后再次将所有采样点用最大似然法向两个分布拆分（即进行根据两个分布的参数进行汇聚的过程），再次进行参数估算，后面也是一样层层迭代，直到参数不再发生变化或者变化幅度小到预设的阈值范围内为止为止，此时得到两个正态分布的参数和拟合曲线。

通过拟合曲线可以确定每个统计区间是室内还是室外的概率。在两个拟合曲线有上下重叠的地方，对某一统计区间值，通过两个曲线可分别取到室内外的占比值，其比值就是该区间取值的室内概率比值A和室外概率比值B，进一步可计算出室内概率PA和室外概率PB，PA=A/(A+B)×100%，PB=B/(A+B)×100%。例如在图1中，电平强度为16时，根据区间统计占比结果，室内电平采样点占比为0.5%，室外电平占比为0%，对比可得电平强度为16的采样点，室内的概率为0.5%/(0.5%+0%)=100%，室外的概率为0%/(0.5%+0%)=0%；电平强度为50时，两拟合曲线相交，此时室内外电平采样点占比都为0.8%，对比可得电平强度为50的采样点，室内外的概率都为0.8%/(0.8%+0.8%)=50%；电平强度为52时，室内电平采样点占比为0.5%，室外电平占比为1%，对比可得电平强度为52的采样点，室内的概率为1%/(0.5%+1%)=66.67%，室外的概率为0.5%/(0.5%+1%)=33.33%。

进一步地，本发明提出室内外分布概率在室内外识别上的应用

（1）应用统计概率的MR采样值室内外判定方法

一条MR数据包含主区电平、多个不同邻区的电平，可以灵活选取需要的特征进行室内外判定。例如，可以只通过主区电平的统计特征来判断，如果采样点的主区电平值是室内的概率大于某个预设阀值（具体实施时本领域技术人员可预设取值，例如80%）则该采样点归为室内；也可以结合主区电平、主邻电平差和邻区数量等多种因素，对每种因素预先设定不同的权重，通过特定的组合模型判定输出室内外判定结果，MR采样点室内概率=(主区电平室内概率×权重1+主邻电平差室内概率×权重2+邻区数量室内概率×权重3)×100%，其中权重1+权重2+权重3=1。具体实施时，本领域技术人员可自行预设权重取值。

和主区电平一样，在每个MR采样点数据中也可以提取主邻电平差和邻区数量。一条MR采样点数据由一条主区和若干条邻区记录组成，每条记录又包含了电平、频点、小区号等信息。主邻电平差是主区电平和最强邻区电平之间的电平差值；邻区数量是指的邻区记录条数。主邻电平差、邻区数量这两种特征和主区电平一样，其统计分布也具有两个正态分布叠加的同样特征，所以也可以同样进行混合高斯分布的分离及概率计算，作为判断条件。

引入另外两个特征主邻电平差和邻区数量来做辅助判断，可以使得判断结果更加科学准确。

（2）综合其他判断方法联合判断

在本方法的基础之上，还可以综合其它角度的判断方法，如信号特征、基站类型、用户行为、运动状态等，先在采用其它角度的判断方法进行初步判断后，余下的不能判断的采样点再通过组合模型获得相应室内外分离结果，从而得到一个综合的判断结果，这样可以提高室内外区分的判断精度，取得比较满意的结果。如果MR采样点上报基站类型是室分站，则可归为室内；通过用户行为的分析表明是用户家庭和办公所在地的，可归为室内；分析运动状态为移动状态的，可归为室外；余下的不能判断的采样点再通过前述统计概率模型进行室内外区分。

具体实施时，本发明所提供技术方案可采用软件方式实现自动运行，从而进行自动地室内外区分。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于统计模型的MR数据室内外分离方法，其特征在于：针对室外宏站每个小区的MR采样数据进行接收信号的特征值统计，所述特征值统计包括统计主区电平；进行混合高斯分布的分离及概率计算，根据室内概率，获得相应室内外分离结果；

所述进行混合高斯分布的分离及概率计算，实现方式如下，

根据室外基站接收的信号是由室内信号正态分布和室外信正态分布的叠加形成的混合高斯分布，进行混合正态分布分离，得到室内信号正态分布和室外信号正态分布的拟合曲线；

在两个拟合曲线有上下重叠的地方，对某一统计区间值，通过两个曲线分别相应的室内概率比值A和室外概率比值B，进一步计算出室内概率PA和室外概率PB，PA=A/(A+B)×100%，PB=B/(A+B)×100%。

2.根据权利要求1所述基于统计模型的MR数据室内外分离方法，其特征在于：所述特征值统计包括统计主区电平、主邻电平差和邻区数量，分别进行混合高斯分布的分离及概率计算，按以下组合模型获得相应室内外分离结果，

室内概率=(主区电平室内概率×权重1+主邻电平差室内概率×权重2+邻区数量室内概率×权重3)×100%，

其中，权重1+权重2+权重3=1。

3.根据权利要求2所述基于统计模型的MR数据室内外分离方法，其特征在于：在进行初步判断后，余下的不能判断的采样点再通过组合模型获得相应室内外分离结果。