CN106604228B - 一种基于lte信令数据的指纹定位方法 - Google Patents

Abstract

本发明属于计算机应用技术领域，提供一种基于LTE信令数据的指纹定位方法，该方法使用LTE信令数据中的TA和RSRP值建立指纹库，然后利用基于HMM的地图匹配方法进行地图匹配，确定目标位置，实现对移动目标的定位，具体步骤为：信令数据预处理；建立指纹库；利用支持向量机，训练在不同基站下RSRP的统计模型；位置匹配。本发明的有益效果为：1)利用通信运营商已有的通信基站和网络设施，初期投资小；2)只要在手机信号覆盖区域均可实现对信令数据的采集，覆盖范围广3)手机定位技术能够提取提供丰富的数据源，保证采集数据的质量和精度。

Description

一种基于LTE信令数据的指纹定位方法

技术领域

本发明属于计算机应用技术领域，涉及一种基于LTE信令数据的指纹定位方法。

背景技术

近年来，随着我国国民经济的快速发展，手机用户数量也随之高速增长，基于位置服务的需求也越来越强烈，利用移动终端进行地理定位是近年来移动通信应用发展的新方向。移动定位服务是利用移动设备的便携性和流动性的特点，配合移动信令数据，确定移动终端用户所在的地理位置(经纬度坐标等)，从而提供用户所需的位置信息，并根据用户所在的位置提供相关地理信息服务。

目前根据移动数据定位，已经开发出了许多延伸应用。比如，利用移动数据定位可进行人流量分析、网络故障诊断、热点检测等等。以智能终端为平台，基于移动网络的定位因为其能够以纯软件的方式实现，定位系统成本低等特点，近年来成为普适计算和位置感知领域的一个研究热点。移动基站的高覆盖率为保证精确的无线定位技术实现提供了可能。

现阶段，基于室外移动网络数据定位的方法大致分三种类型：基于RSSI方法，基于AoA方法和TOA方法，基于指纹方法。基于RSSI的方法需要在多个基站所在的位置测量来自目标的RSSI值，然后利用电磁信号衰减模型和三角几何原理去定位目标。这种方法的缺点是由于多径效应和所在环境中的各种障碍物的影响，信号损失模型的参数并不总是保持不变。通常情况下模型中的参数都是根据环境的变化而变化的，所以这种方法在实际应用中效果很差。基于AoA和ToA的定位方法是首先获取目标发出的信号到达基站天线的角度和时间然后利用三角几何原理估计出目标的位置。基于AoA和ToA定位的缺点是需要相对较复杂的硬件支持，并且通常情况下信号传播的路径都会有建筑物，由于障碍物的存在造成信号的反射、折射等情况。因此，最后到达的信号的方向并不是直传路径的方向，这会对定位精度造成影响。基于指纹的方法主要分为两个阶段即离线阶段和在线阶段。离线阶段是选择要定位的区域，然后选择位置并且收集该位置附近的基站的信号强度。在线阶段是使用当前观测到的信号强度和离线阶段收集的信息进行比较得到目标位置。

目前，使用指纹的定位方法所能达到的定位精度最高并且成本低廉。基于指纹的定位方法核心是指纹库的建立和定位匹配算法两个方面。室外指纹定位方法在实际应用中也有许多问题亟待解决，比如，如何选取恰当的指纹建立指纹库，如何降低算法复杂度提高响应速度，如何提高定位精度等等，这些都是指纹定位技术走进应用所必须面临和解决的问题。经过对现有技术的文献检索发现，现阶段的指纹定位方法建立指纹库时都需要来自多个基站的移动数据信息，如果每次只能获得一个基站的移动数据信息，定位精度会受到较大影响，定位精度得不到保证会直接影响用户的体验。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于LTE信令数据的指纹定位方法，该方法通过使用LTE信令数据对移动车辆进行定位，每次只需获得一个基站的信令数据。方法仅使用LTE信令数据中的TA和RSRP值建立指纹库，然后利用基于HMM的地图匹配方法进行地图匹配，确定目标位置，实现对移动目标的定位。

为了达到上述目的，本发明的技术方案如下：

一种基于LTE信令数据的指纹定位方法，包括以下步骤：

第一步，信令数据预处理

采集LTE网络中的信令数据并且在建立指纹库时需要记录采集指纹时所在的位置。为了提高定位精度需要进行地图匹配，地图匹配时需要地图数据提供道路信息。由于采集的LTE信令数据中存在噪声数据，因此需要对采集的数据进行去噪处理。

所述的信令数据通过利用移动终端采集获得，LTE信令数据由TA值，基站的物理ID(PCI)，RSRP即信号接收功率，RSRQ即信号接收质量等构成；采集指纹时所在的位置由GPS接收器获得。方法利用的数据记录格式为：{“time”：2016 Apr 7 05：24：06.000，“longitude”：121.65018，“latitude”：38.91384，“PCI”：164，“TA”：2，RSRP：-90.31}，记录中的longitude和latitude代表获得车辆的经度和纬度，PCI代表基站的物理ID，TA代表获得的信令数据中的TA值，RSRP代表信号接收功率。

所述的地图数据包括目标区域的地图信息，在Openstreetmap上下载目标区域的地图信息；下载后的.osm文件用excel表格打开，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点是一条路段或多条路段的端点；第二部分得到路段的相关信息，路段的相关信息包括路段的ID、路段的长度和路段两个端点的ID；每一条路段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列路段组成道路片段。

所述的对获取的数据进行去噪处理是根据观察到的TA变化特点过滤掉异常的数据记录。所述去噪处理具体步骤为：

同一个基站下，连续的两个点的TA值，分别记为TA₁和TA₂。若TA₁和TA₂差值大于设定的阈值，其中一个点是异常值，根据情况分析删除异常值，阈值设为2；取TA₂之后的连续5个TA值，求出平均值记为TA_mean，若TA₂和TA_mean的差值大于阈值，则删除TA₂；否则删除TA₁。

第二步，建立指纹库

利用在第一步中预处理后的信令数据记录建立在特定区域内N个位置的指纹库F，其中，F_i由(TA_i，RSRP_i)二元组构成。

第三步，利用支持向量机，训练在不同基站下RSRP的统计模型

3.1)采用支持向量机分别训练在每一个基站下的采集的所有数据，建立RSRP的统计模型。在利用支持向量机建立关于RSRP的统计模型时，把TA和用户所在位置的经度和纬度作为输入，RSRP作为输出。根据建立好的RSRP统计模型，可以估计在某个基站覆盖范围内，RSRP的均值和均方误差。

3.2)定义SVMRSRP(k)为在基站k下RSRP均值预测器，σ_k表示的是基站k下RSRP均值预测器的均方误差。对于基站k，我们建立RSRP的统计模型：

RSRP′|TA′，x～N(SVMRSRP(k)，σ_k) (1)

其中，RSRP′为RSRP值大小为RSRP′，TA′为TA值大小为TA′；x为位置；RSRP′|TA′，X为在位置x和TA值大小为TA′条件下RSRP值为RSRP′。

第四步，位置匹配

当移动设备发出定位请求时，定位设备收到一组指纹数据，将指纹数据去指纹库中匹配得到一组候选位置，最后使用基于HMM的地图匹配方法进行地图匹配以得到最终的位置结果。

4.1)定位一段时间内设备获得的信令数据；

4.2)通过一组信令数据得到移动设备的指纹观测序列记为：其中，F_t表示t时刻的指纹，T代表时间。

4.3)将获得的指纹分别去指纹库中进行匹配，得到一组候选位置点记为

X＝(x₁，x₂，...，x_N′)，其中，x₁，x₂，...，x_N′表示候选位置。

4.4)利用HMM模型进行地图匹配时，计算候选位置的观测概率和转移概率，具体步骤为：

4.4.1)给定一个基站m覆盖范围内的候选位置x_k，因此在位置x_k下指纹为F_t的概率即p(F_t|x_k)，如公式(2)所示：

p(F_t|x_k)＝p(TA_t，RSRP_t|x_k)＝p(TA_t|x_k)×p(RSRP_t|TA_t，x_k) (2)

首先假设候选位置点的数量是N′，因为这些候选位置点都是等概率的，因此我们得到：

同时，对于p(RSRP_t|TA_t，x_k)可以通过第三步中建立的模型得到：

其中，RSRP_t为t时刻RSRP的大小为RSRP_t，TA_t为t时刻TA的大小为TA_t，SVMRSRP(m)为基站m下RSRP的均值预测器，σ_m为基站m下RSRP均值预测器的均方误差。

4.4.2)计算从一个候选位置到下一个候选位置的转移概率，由公式(5)计算从候选位置x_i到候选位置x_j的转移概率τ_i，j，转移概率表示车辆从一个候选位置移动到另一个候选位置的可能性：

τ_i，j＝p(x_i→x_j)＝e^-d′ (5)

其中，d′＝d+c×cost，d为两个候选位置之间的最短距离，最短距离由车辆在两个候选位置之间的最短路径获得，c为从候选位置x_i到候选位置x_j路段切换次数，cost代表路段切换惩罚，通常取50m，并且在实践中，当d′很大的时候，τ_i，j接近于0，造成精度损失，所以把d′除以参数β，β取100m。

本方法同时加入了速度限制，当速度超过200km/h时，不允许发生路段切换。

4.5)利用维特比回溯算法，根据公式(6)得到一系列概率矢量矩阵，在最后车辆位置的概率矢量矩阵中找到最大的概率，并执行维特比回溯算法得到用户的真实位置序列。

其中，T代表时间，x_t代表t时刻的候选位置。

本发明的有益效果为：本发明使用LTE的信令数据，实现移动定位有很多优点：1)低成本：信令数据已经存在于LTE网络中，利用通信运营商已有的通信基站和网络设施，初期投资小。2)覆盖范围广：原则上只要在手机信号覆盖区域均可实现对信令数据的采集，特别是在郊区或高速公路上更为重要，因为这些地方的GPS出租车数量较少及缺乏环形线圈、视频等设备，通常因缺乏交通监测而成为“盲区″。3)海量数据：手机定位技术由于其庞大的通信话务量，能够提取提供丰富的数据源，有利于保证采集数据的质量和精度。

附图说明

图1是本方法的系统整体结构示意图；

图2是路测数据的覆盖地图；

图3是TA值的变化特点图；

图4是不同数量的路测数据作为训练数据定位误差的变化图；

图5是指纹中加入了TA后定位误差的CDF图；

图6是指纹观察序列长度和定位误差的关系变化图；

图7是使用不同机器学习方法对定位误差的CDF图。

具体实施方式

如图1所示，一种基于LTE信令数据的指纹定位方法。方法主要分为离线模式和在线模式，离线模式主要是建立目标区域的指纹数据库和利用支持向量机方法训练RSRP的统计模型。首先在目标区域进行路测采集大量的数据信息。由于采集到的数据中会有噪声数据因此我们根据观察到的TA变化特点对数据进行去噪处理。然后利用预处理后的数据建立指纹数据库。同时利用已经去噪的数据建立关于RSRP的统计模型。在线模式主要是对实时的定位请求进行响应。在线阶段会获得一组实时的指纹信息，方法首先将获得指纹信息去和离线模式阶段建立的指纹库进行比较得到一组候补位置，然后利用HMM方法对获得的候补位置进行地图匹配输出最终位置。

为评估本发明的性能，该实施例在大连的道路上采集大量的数据，总的行驶距离超过800km。

如图3所示，图中展示了来自两个不同基站的TA随时间的变化特点，其中图中用圆圈标注的点是噪声数据。

如图4所示，为了评估方法的性能，将采集的路测数据分为训练数据和测试数据。训练数据是从路测数据中随即选取一部分数据来训练HMM中的观测概率，测试数据是除了训练数据以外的其他路测数据。为了衡量训练集的大小是否对定位精度有更大的影响，首先随机选取了7小时的路测数据作为测试数据，余下数据作为训练数据。总的路测时间为65小时，然后测试数据的数量不断增加，并逐步降低训练数据的数量。图中展示了定位精度随着训练数据量变化的情况。从图中能够看到，在训练数据很少的时候，定位误差较高，但是随着训练数据的数量增加，定位误差逐渐降低。并且从图中能够看到当收集训练数据时间超过46小时后，即使继续进行路测数据获取，定位误差也没有太大变化，因此，可以得出46小时的数据用于训练对于方法是足够的。

如图5所示，现在大多数常见的指纹定位方法中通常仅使用RSRP或RSSI作为指纹，本方法将TA加入到指纹中。仍然把路测数据分为训练数据和测试数据，当70％的数据作为训练数据时得到如图所示的定位误差的CDF图。70％的数据作为训练数据时方法的平均定位误差在25m左右。从图中能够看到70％的数据用于训练时，指纹中未加入TA时，定位误差在40m左右。因此能够得出指纹中加入TA后能够提高定位精度。

如图6所示，为了判断方法的性能是否依赖观测序列的长度，因此对方法进行了分析。图中展示了定位误差随着观测序列长度的变化情况，定位误差和观测序列的长度并没有呈现出随着观测序列长度的增加定位误差逐渐变小的这样一种线性关系。从图6中看到开始阶段随着序列长度的增加定位误差逐渐下降，但是随着观测序列长度的不断增加，定位误差趋于稳定。原因如下：首先随着观测序列长度的增加定位误差会逐渐下降，但是定位误差也会在较长序列中传递。由于这两种情况的相互作用生了上面的结果。

如图7所示，为了得到HMM中的观测概率，方法利用支持向量机训练数据去得到RSRP的统计模型。因此为了研究采用不同的机器学习方法是否会对定位精度有影响，我们又使用另外两种被广泛使用的机器学习方法训练数据即神经网络和随机森林。分别展示了使用不同比例的路测数据作为训练数据得到的关于定位精度的CDF图。从图中我们可以看到，这些曲线都十分接近，因此我们可以得出使用不同的机器学习方法训练数据对我们的方法定位精度不会有特别大的影响。

Claims (3)

1.一种基于LTE信令数据的指纹定位方法，其特征在于以下步骤：

第一步，数据预处理

采集LTE网络中的信令数据，在建立指纹库时记录采集指纹时所在的位置，并对采集的信令数据进行去噪处理；然后进行地图匹配，地图匹配时需要地图数据提供道路信息；

所述的信令数据包括时间提前量TA值、基站的物理ID、信号接收功率RSRP、信号接收质量RSRQ；

所述的地图数据包括目标区域的地图信息，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点是一条路段或多条路段的端点；第二部分得到路段的相关信息，路段的相关信息包括路段的ID、路段的长度和路段两个端点的ID；每一条路段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列路段组成道路片段；

第二步，建立指纹库

利用在第一步中预处理后的数据记录建立在特定区域内N个位置的指纹库F，其中，F_i由(TA_i，RSRP_i)二元组构成；

第三步，利用支持向量机，训练在不同基站下RSRP的统计模型

3.1)采用支持向量机分别训练在每一个基站下的采集的所有数据，建立RSRP的统计模型；在利用支持向量机建立关于RSRP的统计模型时，把TA和用户所在位置的经度和纬度作为输入，RSRP作为输出；根据建立好的RSRP统计模型，估计在某个基站覆盖范围内，RSRP的均值和均方误差；

3.2)定义SVMRSRP(k)为在基站k下RSRP均值预测器，σ_k表示的是基站k下RSRP均值预测器的均方误差；对于基站k，建立RSRP的统计模型：

RSRP′|TA′，x～N(SVMRSRP(k)，σ_k) (1)

其中，x为位置；RSRP′|TA′，x为在位置x和TA值大小为TA′条件下RSRP的值为RSRP′；

第四步，位置匹配

当移动设备发出定位请求时，定位设备收到一组指纹数据，将指纹数据在指纹库中匹配得到一组候选位置，最后使用基于隐马尔可夫模型HMM的地图匹配方法进行地图匹配以得到最终的位置结果；

4.1)定位一段时间内设备获得的信令数据；

4.2)通过一组信令数据得到移动设备的指纹观测序列记为：其中，F_t表示t时刻的指纹，T代表时间；

4.3)将获得的指纹分别去指纹库中进行匹配，得到一组候选位置点记为X＝(x₁，x₂，...，x_N′)，其中，x₁，x₂，...，x_N′表示候选位置；

4.4)利用HMM模型进行地图匹配时，计算候选位置的观测概率和转移概率，具体步骤为：

4.4.1)给定一个基站m覆盖范围内的候选位置x_k，因此在位置x_k下指纹为F_t的概率即p(F_t|x_k)，如公式(2)所示：

p(F_t|x_k)＝p(TA_t，RSRP_t|x_k)＝p(TA_t|x_k)×p(RSRP_t|TA_t，x_k) (2)

首先假设候选位置点的数量是N′，候选位置点等概率，得到：

同时，对于p(RSRP_t|TA_t，x_k)通过第三步中建立的统计模型得到：

其中，RSRP_t为t时刻RSRP的大小，TA_t为t时刻TA的大小，SVMRSRP(m)为基站m下RSRP的均值预测器，σ_m为基站m下RSRP均值预测器的均方误差；

4.4.2)计算从一个候选位置到下一个候选位置的转移概率，由公式(5)计算从候选位置x_i到候选位置x_j的转移概率τ_i，j，转移概率表示车辆从一个候选位置移动到另一个候选位置的可能性：

τ_i，j＝p(x_i→x_j)＝e^-d′ (5)

其中，d′＝d+c×cost，d为两个候选位置之间的最短距离，最短距离由车辆在两个候选位置之间的最短路径获得，c为从候选位置x_i到候选位置x_j路段切换次数，cost代表路段切换惩罚，取50m；

当速度超过200km/h时，不允许发生路段切换；

4.5)利用维特比回溯算法，根据公式(6)得到一系列概率矢量矩阵，在最后车辆位置的概率矢量矩阵中找到最大的概率，并执行维特比回溯算法得到用户的真实位置序列；

其中，T代表时间，x_t代表t时刻的候选位置。

2.根据权利要求1所述的一种基于LTE信令数据的指纹定位方法，其特征在于，第一步中所述的去噪处理为根据观察到的TA值变化特点过滤掉异常的数据记录；同一个基站下，连续的两个点的TA值，分别记为TA₁和TA₂，所述去噪处理具体步骤为：

若TA₁和TA₂差值大于设定的阈值2，其中一个点是异常值，根据情况分析删除异常值；

取TA₂之后的连续5个TA值，求出平均值记为TA_mean，若TA₂和TA_mean的差值大于阈值2，则删除TA₂；否则删除TA₁。

3.根据权利要求1或2所述的一种基于LTE信令数据的指纹定位方法，其特征在于所述的采集指纹时所在的位置由GPS接收器获得。