CN107807346A - 基于ott与mr数据的自适应wknn室外定位方法 - Google Patents
基于ott与mr数据的自适应wknn室外定位方法 Download PDFInfo
- Publication number
- CN107807346A CN107807346A CN201711010766.8A CN201711010766A CN107807346A CN 107807346 A CN107807346 A CN 107807346A CN 201711010766 A CN201711010766 A CN 201711010766A CN 107807346 A CN107807346 A CN 107807346A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- ott
- location fingerprint
- wknn
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Abstract
本发明公开了一种基于OTT与MR数据的自适应WKNN室外定位方法,包括以下步骤:(1)数据收集:含有定位功能的用户终端获取经纬度信息后,通过数据网络上传至服务器;(2)建立位置指纹数据库;(3)更新位置指纹数据库:通过解析OTT数据不断的累计更新位置指纹数据库;(4)输出定位结果:采用自适应WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。由于参考点信息固定,方便地应用各种修正手段对无线电波的衰耗和多径效应进行修正和补偿,大幅降低了对传播模型的依赖,消除了站间距对定位精度的影响;通过解析OTT数据不断的累计更新位置指纹库,解决了定位环境改变造成的位置指纹数据库过时现象。
Description
技术领域
本发明属于无线网络技术领域,尤其是涉及一种基于OTT与MR数据的自适应WKNN室外定位方法。
背景技术
随着无线通信技术的日趋成熟和快速发展,基于位置的无线定位服务对于无线通信网络优化分析越来越重要。传统的无线通信网络优化分析,一般通过分析网络性能数据以及路测、定点拨测来评估网络性能,这种分析方法采用抽验式数据分析,存在一定的偶然性和不确定性,需要投入大量的人力及物力,且均是在收到投诉反馈信息之后才能做出反应,较为被动。
MR是指移动终端通过控制信道,在业务信道上以一定时间间隔,以MR的方式向基站周期性上报所在小区的下行信号强度、质量等信息,基站将终端上报的下行信息和自身收集的上行物理信息上传给基站控制器,并由其收集与统计。以TD-SCDMA网络为例,每个MR主要包括上下行接收信号码功率、上下行信噪比、时间提前量、上下行路径损耗、UE发射功率及NodeB发射功率等。上报的MR可用于系统中无线资源控制子层完成诸如切换等事件的触发,也可用于系统维护,观察系统的运行状态;位置指纹是指用户所处位置的场景特征。
位置指纹定位的原理是:用户利用所处位置观测到的位置指纹,查询位置指纹的样本数据集,根据特定的匹配规则来估计所处的位置。
通过采集网络所有终端用户上报的MR数据,根据一定的空间定位算法,将所有用户的测量数据渲染到空间地图中,可以为网络质量评估、话务热点分布分析、载频隐性故障分析、越区覆盖分析、网络干扰分析、邻区优化、覆盖优化等提供支撑,为无线优化和网络规划建设提供准确的依据。但是目前对于定位方面,还是存在不理想的地方,需要对室外指纹定位的优化算法作分析改进。
发明内容
本发明要解决的问题是提供一种通过关联OTT数据和MR数据建立位置指纹库,对用户进行精准定位的基于OTT与MR数据的自适应WKNN室外定位方法。
为解决上述技术问题,本发明采用的方案是:该基于OTT与MR数据的自适应WKNN室外定位方法,包括以下步骤:
(1)数据收集:含有定位功能的用户终端获取经纬度信息后,通过数据网络上传至服务器;
(2)建立位置指纹数据库:通过解析所述步骤(1)中的经纬度信息,得到使用该用户终端的用户的定点位置,采用向前一分钟时间滑动搜索方式对该用户的MR数据和经纬度信息进行关联,得到用户相应的位置坐标以及MR数据;再将得到用户相应的位置坐标映射到栅格地图中,从而建立位置指纹数据库;
(3)更新位置指纹数据库:通过解析OTT数据不断的累计更新位置指纹数据库;
(4)输出定位结果:采用自适应WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
上述技术方案的位置指纹定位算法的优点在于,由于参考点信息固定,可很方便地应用各种修正手段对无线电波的衰耗和多径效应进行修正和补偿,大幅降低了对传播模型的依赖,同时消除了站间距对定位精度的影响,使得定位精度大大提升;通过解析OTT数据不断的累计更新位置指纹库,解决了定位环境改变造成的位置指纹数据库过时现象;采用自适应WKNN算法有效的提高定位精度,通过对主小区各指标设置阈值来缩小匹配范围,不仅可以减少同一个eci下的干扰点,也可以保证当指纹库中数据不充足时,自动调整WKNN算法中的K值,从而提升定位精确度。
优选的,所述步骤(2)中得到用户相应的位置坐标以及MR数据以文件形式存储于建立的位置指纹数据库中,文件格式为:时间、用户标识、用户所属栅格标识、经度、纬度、主小区ID、TA、aoa、主小区RSRP、主小区RSRQ、主小区SINR、第1邻区ID、第1邻区RSRP、第2邻区ID、第2邻区RSRP……第n邻区ID、第n邻区RSRP。
优选的,在所述步骤(2)中,根据用户的移动速度对该条指纹数据进行置信度打分,具体方法为:在关联时找出MR数据匹配的OTT数据前后30秒所处的经纬度信息,从而可以计算出用户在一分钟内的时间、速度、位移,根据用户的速度和位移则可计算得出该条MR数据的置信度,速度越慢则置信度越高,速度越快则置信度越低。
根据用户的移动速度可对初步建立的指纹库进行置信度打分,后期对指纹库的筛选就是在完备性和有效性之间的权衡问题,只需根据客户的需求按照置信度对指纹库中的数据进行筛选。
优选的,在所述步骤(4)中,首先导入数据,采用随机森林算法设置各变量权重,对数据进行无量纲化预处理,设定变量阈值,然后再采用WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
优选的,对数据进行无量纲化预处理,采用了min-max标准化,对原始数据进行线性变换,使结果映射到[0,1]之间,公式为:
其中,max为样本数据的最大值,min为样本数据的最小值。
优选的,设定变量阈值,根据位置指纹数据库中的数据分布而定,选取全量数据中同一栅格同一eci下各变量90%波动分位数作为阈值点。
附图说明
下面结合附图和本发明的实施方式进一步详细说明:
图1是本发明MR指纹库定位核心流程图;
图2是定位算法流程图;
图3是各变量权重图;
图4是同一栅格同一eci下RSRP的波动范围频数分布图。
具体实施方式
本发明的基于OTT与MR数据的自适应WKNN室外定位方法包括以下步骤:
(1)数据收集:含有定位功能的用户终端获取经纬度信息后,通过数据网络上传至服务器;
(2)建立位置指纹数据库:通过解析所述步骤(1)中的经纬度信息,得到使用该用户终端的用户的定点位置,采用向前一分钟时间滑动搜索方式对该用户的MR数据和经纬度信息进行关联,得到用户相应的位置坐标以及MR数据;再将得到用户相应的位置坐标映射到栅格地图中,从而建立位置指纹数据库;
得到用户相应的位置坐标以及MR数据以文件形式存储于建立的位置指纹数据库中,文件格式为:时间、用户标识、用户所属栅格标识、经度、纬度、主小区ID、TA、aoa、主小区RSRP、主小区RSRQ、主小区SINR、第1邻区ID、第1邻区RSRP、第2邻区ID、第2邻区RSRP……第n邻区ID、第n邻区RSRP。
在所述步骤(2)中,根据用户的移动速度对该条指纹数据进行置信度打分,具体方法为:在关联时找出MR数据匹配的OTT数据前后30秒所处的经纬度信息,从而可以计算出用户在一分钟内的时间、速度、位移,根据用户的速度和位移则可计算得出该条MR数据的置信度,速度越慢则置信度越高,速度越快则置信度越低。
(3)更新位置指纹数据库:通过解析OTT数据不断的累计更新位置指纹数据库;
(4)输出定位结果:采用自适应WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
在所述步骤(4)中,首先导入数据,采用随机森林算法设置各变量权重,对数据进行无量纲化预处理,设定变量阈值,然后再采用WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
在进行步骤(4)之前,对数据进行无量纲化预处理,采用了min-max标准化,对原始数据进行线性变换,使结果映射到[0,1]之间,公式为:
其中,max为样本数据的最大值,min为样本数据的最小值。
设定变量阈值,根据位置指纹数据库中的数据分布而定,选取全量数据中同一栅格同一eci下各变量90%波动分位数作为阈值点。
具体的操作步骤如下:
图1是本发明MR指纹库定位核心流程图,展现了通过MR数据建立位置指纹库实现用户定位的过程。
现网中的用户大部分为智能手机用户,均包含GPS功能,而智能手机中使用的APP中,有较多的APP会获取手机经纬度信息,通过移动数据网络上报到其服务器。
第一步:位置指纹库的建立,通过解析用户上报的经纬度信息,即可准确得到用户的定点位置,采用向前一分钟时间滑动搜索方式对该用户的MR和上报的经纬度数据进行关联,即可得到用户相应的位置坐标以及MR数据。再根据已有的栅格地图,将用户的位置坐标映射到栅格中,从而建立起位置指纹数据库。以文件形式存储定位数据库,文件格式为:时间、用户标识、用户所属栅格标识、经度、纬度、主小区ID、TA、aoa、主小区RSRP、主小区RSRQ、主小区SINR、第1邻区ID、第1邻区RSRP、第2邻区ID、第2邻区RSRP……第n邻区ID、第n邻区RSRP。
在前期的指纹库数据收集过程中,可能会出现IMSI回填误差、系统时间误差和MR数据关联误差三种误差。其中前两种误差很难消除,只有在MR数据关联这步中还存有改进空间。本专利申请在这步中根据用户的移动速度对该条指纹数据进行置信度打分。具体方法为:在关联时找出MR数据匹配的OTT数据前后30秒所处的经纬度信息,从而可以计算出用户在一分钟内的时间、速度、位移。根据用户的速度和位移则可计算得出该条MR数据的置信度,速度越慢则置信度越高,速度越快则置信度越低。
后期对指纹库的筛选就是在完备性和有效性之间的权衡问题,只需根据客户的需求按照置信度对指纹库中的数据进行筛选。
第二步:基于位置指纹库的定位算法
基于位置指纹库的定位算法通过在已建立的位置指纹库中查找与当前MR点的特征最接近的位置点来确定MR的位置。其中,指纹库中包含每个已知位置点的特征信息,特征信息主要是某位置点周围各小区到该位置点的电平信息。具体过程如图2所示,图2是定位算法流程图。此方法通过4个步骤实现了海量MR数据的精准定位和栅格划分。位置指纹定位算法的优点在于,由于参考点信息固定,可很方便地应用各种修正手段对无线电波的衰耗和多径效应进行修正和补偿,大幅降低了对传播模型的依赖,同时消除了站间距对定位精度的影响,使得定位精度大大提升。
1、根据随机森林算法设置各变量权重
特征选择方法中,有一种方法是利用随机森林,进行特征的重要性度量,下面对如何计算重要性进行说明。
计算某个特征X的重要性时,具体步骤如下:
1)对每一颗决策树,选择相应的袋外数据OOB计算袋外数据误差,记为errOOB1。
所谓袋外数据是指,每次建立决策树时,通过重复抽样得到一个数据用于训练决策树,这时还有大约1/3的数据没有被利用,没有参与决策树的建立。这部分数据可以用于对决策树的性能进行评估,计算模型的预测错误率,称为袋外数据误差。
这已经经过证明是无偏估计的,所以在随机森林算法中不需要再进行交叉验证或者单独的测试集来获取测试集误差的无偏估计。
2)随机对袋外数据OOB所有样本的特征X加入噪声干扰(可以随机改变样本在特征X处的值),再次计算袋外数据误差,记为errOOB2。
3)假设森林中有N棵树,则特征X的重要性=∑(errOOB2-errOOB1)/N。这个数值之所以能够说明特征的重要性是因为,如果加入随机噪声后,袋外数据准确率大幅度下降,即errOOB2上升,说明这个特征对于样本的预测结果有很大影响,进而说明重要程度比较高。
实际使用随机森林算法进行变量重要性分析时,由于经度和纬度属于双因变量模型,因此若不对数据做任何处理,结果必然不准确。本专利将双因变量问题转换为距离单因变量问题,通过计算用户间的距离差及各变量差值形成新数据用于计算各变量重要性,形式如distAB~f(Δrsrp0,Δrsrq,Δsinr,Δta,Δaoa,Δrsrp1-6)。
图3为使用样本数据得到的各变量权重占比图,从图中可以看出,TA的权重较高,其次是邻小区1的RSRP和主小区RSRP,此结果也符合实际通信背景。
2、数据标准化
由于各变量在量纲上不同,因此进行WKNN距离计算之前要先对变量进行无量纲化的处理,本专利申请采用了min-max标准化,即对原始数据进行线性变换,使结果映射到[0,1]之间,公式为:
其中max为样本数据的最大值,min为样本数据的最小值。
3、根据TA,aoa,RSRP,RSRQ,SINR浮动区间进行二次数据筛选
为了减小WKNN算法的计算量,当目标MR数据出现时,并不是使用指纹库中的全量数据进行距离计算,第一步是要根据主小区标识码进行初步筛选,匹配出指纹库中处于相同主小区下的指纹数据。另外,在指纹库建立的初期,由于数据收集的较少,很多时候同一个栅格内一个eci下的数据点小于WKNN算法中所设置的K值,这就导致同一个eci下的干扰点较多。若KNN算法中的K一直设置为同一个常数的话,会导致数据误差较大。因此本专利通过对主小区各指标设置阈值来缩小匹配范围,不仅可以减少同一个eci下的干扰点,也可以保证当指纹库中数据不充足时,自动调整WKNN算法中的K值,从而提升定位精确度。
阈值限定的标准根据指纹库中的数据分布而定。选取全量数据中同一栅格同一eci下各变量90%波动分位数作为阈值点。图4为全量数据中同一栅格同一eci下RSRP的波动范围频数分布图。
4、WKNN算法
WKNN,即加权K近邻法。该算法是对KNN算法的改进模型,与KNN算法不同的地方在于,该算法不是简单的对K个位置取平均,而是分别对于每个位置设定一个权,权的大小决定其在后面定位的比重。
K-近邻是一种很好理解的分类算法,简单来说就是从训练样本中找出K个与其最相近的样本,然后看这K个样本中哪个类别的样本多,则待判定的值就属于这个类别。
KNN算法的步骤:
1)计算已知类别数据集中每个点与当前点的距离;
2)选取与当前点距离最小的K个点;
3)统计前K个点中每个类别的样本出现的频率;
4)返回前K个点出现频率最高的类别作为当前点的预测分类。
在实际操作中,设指纹库中共有i个参考点,各参考点处的指纹记录为:
(xi,yi,IMSIi,gridi,ecii,TAi,aoai,mRSRPi,mRSRQi,mSINRi,pci_fni1,RSRPi1,…,pci_fni6,RSRPi6),i=1…n
其中,(xi,yi)表示参考点i处坐标,IMSIi表示用户标识码,gridi表示栅格标识码,ecii表示参考点i处主小区标识码,TAi表示参考点i处采集到的时间提前量,aoai表示参考点i处采集到的方位角,mRSRPi表示参考点i处采集到的主小区信号接收功率,mRSRQi表示参考点i处采集到的主小区信号接收质量,mSINRi表示参考点i处采集到的主小区上行信噪比,pci_fni1表示参考点i处采集到的第一邻区标识码,RSRPi1表示参考点i处采集到的第一邻区信号接收功率,以此类推,共采集六个邻区信息。首先,依次计算移动终端指纹向量S与指纹库中第i个参考点处指纹向量Ai之间的欧式距离Di:
然后,计算出K个Di值最小的指纹记录,并取它们位置坐标的加权平均值作为定位结果即:
其中Weighti为K条最近指纹记录的权重。
Weighti根据向量间的欧氏距离以及邻区交集来设置。假设K条最近指纹记录与移动终端指纹向量的欧式距离分别为D1,D2…DK,则K条记录中第i条记录的距离权重DWi为:
交集权重根据指纹记录与移动终端指纹向量的邻区标识来计算。邻区标识相同的越多,则交集权重就越高,假设第i条指纹记录与移动终端采集到的向量邻区相同的个数为Ni,移动终端采集到的有效邻区标识个数为M,则交集权重IWi为:
所以最终的权重Weighti为:
5、指纹库的迭代更新
位置指纹数据库中的一个条目,由一个位置标识符和在该位置上各MR的电平值构成。如果在离线阶段位置指纹数据库构建完成之后,定位环境发生了变化,那么在线阶段采集得到的MR指纹就会和位置指纹数据库中的指纹失去一致性。这会引入定位误差,甚至错误定位。
为了解决定位环境改变造成的位置指纹数据库过时现象,我们需要通过解析OTT数据不断的累计更新位置指纹库。位置指纹库预计在每个栅格每个eci下,下面都记为grid_eci,保留离栅格中心点最近的五个点。后期通过对用户经纬度数据的不断收集,对于grid_eci下五个点充足的情况,用新的数据替换离栅格中心点较远的老数据;对于grid_eci下不足五个点的情况,就将新的数据点填充进去。
因此,指纹数据库是一个积累的过程,随着一定时间的累积,则可获取更多用户的真实OTT数据,并从中解析得到有效的位置信息。栅格数据量也会不断的完善,且可信样本点数量也会逐渐增长,基于MR的定位算法将会越来越准确。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明;凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,包括以下步骤:
(1)数据收集:含有定位功能的用户终端获取经纬度信息后,通过数据网络上传至服务器;
(2)建立位置指纹数据库:通过解析所述步骤(1)中的经纬度信息,得到使用该用户终端的用户的定点位置,采用向前一分钟时间滑动搜索方式对该用户的MR数据和经纬度信息进行关联,得到用户相应的位置坐标以及MR数据;再将得到用户相应的位置坐标映射到栅格地图中,从而建立位置指纹数据库;
(3)更新位置指纹数据库:通过解析OTT数据不断的累计更新位置指纹数据库;
(4)输出定位结果:采用自适应WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
2.根据权利要求1所述的基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,所述步骤(2)中得到用户相应的位置坐标以及MR数据以文件形式存储于建立的位置指纹数据库中,文件格式为:时间、用户标识、用户所属栅格标识、经度、纬度、主小区ID、TA、aoa、主小区RSRP、主小区RSRQ、主小区SINR、第1邻区ID、第1邻区RSRP、第2邻区ID、第2邻区RSRP……第n邻区ID、第n邻区RSRP。
3.根据权利要求1所述的基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,在所述步骤(2)中,根据用户的移动速度对该条指纹数据进行置信度打分,具体方法为:在关联时找出MR数据匹配的OTT数据前后30秒所处的经纬度信息,从而可以计算出用户在一分钟内的时间、速度、位移,根据用户的速度和位移则可计算得出该条MR数据的置信度,速度越慢则置信度越高,速度越快则置信度越低。
4.根据权利要求1所述的基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,在所述步骤(4)中,首先导入数据,采用随机森林算法设置各变量权重,对数据进行无量纲化预处理,设定变量阈值,然后再采用WKNN算法在所述位置指纹数据库中查找与当前MR点的特征最接近的位置点来确定MR的位置,输出定位结果。
5.根据权利要求4所述的基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,对数据进行无量纲化预处理,采用了min-max标准化,对原始数据进行线性变换,使结果映射到[0,1]之间,公式为:
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
</mrow>
<mrow>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,max为样本数据的最大值,min为样本数据的最小值。
6.根据权利要求4所述的基于OTT与MR数据的自适应WKNN室外定位方法,其特征在于,设定变量阈值,根据位置指纹数据库中的数据分布而定,选取全量数据中同一栅格同一eci下各变量90%波动分位数作为阈值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711010766.8A CN107807346A (zh) | 2017-10-26 | 2017-10-26 | 基于ott与mr数据的自适应wknn室外定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711010766.8A CN107807346A (zh) | 2017-10-26 | 2017-10-26 | 基于ott与mr数据的自适应wknn室外定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107807346A true CN107807346A (zh) | 2018-03-16 |
Family
ID=61592614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711010766.8A Pending CN107807346A (zh) | 2017-10-26 | 2017-10-26 | 基于ott与mr数据的自适应wknn室外定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107807346A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108770057A (zh) * | 2018-03-30 | 2018-11-06 | 博彦科技股份有限公司 | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 |
CN109168177A (zh) * | 2018-09-19 | 2019-01-08 | 广州丰石科技有限公司 | 基于软采信令的经纬度回填方法 |
CN109788503A (zh) * | 2019-01-08 | 2019-05-21 | 北京中创信测科技股份有限公司 | 一种利用信令监测技术进行定位指纹库校准的方法 |
CN110719602A (zh) * | 2018-07-11 | 2020-01-21 | 中国电信股份有限公司 | 指纹定位方法和装置 |
CN110933690A (zh) * | 2019-11-28 | 2020-03-27 | 北京红山信息科技研究院有限公司 | 一种移动终端室分判别方法、装置、服务器和存储介质 |
CN111328403A (zh) * | 2018-10-16 | 2020-06-23 | 华为技术有限公司 | 基于使用加权置信度值允许的质量指标改进的轨迹匹配 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
CN111741525A (zh) * | 2020-03-05 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 定位指纹的更新方法、装置、存储介质和电子设备 |
CN112203324A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
CN112423333A (zh) * | 2020-11-18 | 2021-02-26 | 上海大学 | 基于位置指纹匹配的蜂窝网络无线定位方法 |
WO2021036829A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 一种定位、离线指纹库的生成方法及装置 |
CN113194426A (zh) * | 2020-01-14 | 2021-07-30 | 中移动信息技术有限公司 | 一种指纹库的更新方法、装置、设备及计算机存储介质 |
CN114157987A (zh) * | 2021-11-22 | 2022-03-08 | 浪潮通信信息系统有限公司 | 一种定位终端用户经纬度坐标的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105143907A (zh) * | 2013-04-22 | 2015-12-09 | 阿尔卡特朗讯 | 定位系统和方法 |
CN105682039A (zh) * | 2016-03-15 | 2016-06-15 | 广州杰赛科技股份有限公司 | 一种rf指纹定位方法及系统 |
CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
CN106304334A (zh) * | 2016-09-18 | 2017-01-04 | 中山大学 | 基于改进粒子滤波的WiFi/WSN混合定位方法 |
CN106658399A (zh) * | 2016-08-30 | 2017-05-10 | 北京电旗通讯技术股份有限公司 | 一种基于手机用户位置指纹进行手机位置定位的方法 |
CN106658701A (zh) * | 2015-10-29 | 2017-05-10 | 华为技术有限公司 | 一种定位方法及装置 |
-
2017
- 2017-10-26 CN CN201711010766.8A patent/CN107807346A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105143907A (zh) * | 2013-04-22 | 2015-12-09 | 阿尔卡特朗讯 | 定位系统和方法 |
CN106658701A (zh) * | 2015-10-29 | 2017-05-10 | 华为技术有限公司 | 一种定位方法及装置 |
CN105682039A (zh) * | 2016-03-15 | 2016-06-15 | 广州杰赛科技股份有限公司 | 一种rf指纹定位方法及系统 |
CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
CN106658399A (zh) * | 2016-08-30 | 2017-05-10 | 北京电旗通讯技术股份有限公司 | 一种基于手机用户位置指纹进行手机位置定位的方法 |
CN106304334A (zh) * | 2016-09-18 | 2017-01-04 | 中山大学 | 基于改进粒子滤波的WiFi/WSN混合定位方法 |
Non-Patent Citations (3)
Title |
---|
中国移动和创空间位置大数据团队: ""基于MR与OTT的精准定位指纹算法"", 《百度文库》 * |
中国移动和创空间位置大数据团队: "《百度文库》", 16 May 2017 * |
孙林洁等: ""基于MR的位置指纹定位算法"", 《电信工程技术与标准化》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108770057B (zh) * | 2018-03-30 | 2021-05-04 | 博彦科技股份有限公司 | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 |
CN108770057A (zh) * | 2018-03-30 | 2018-11-06 | 博彦科技股份有限公司 | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 |
CN110719602A (zh) * | 2018-07-11 | 2020-01-21 | 中国电信股份有限公司 | 指纹定位方法和装置 |
CN109168177A (zh) * | 2018-09-19 | 2019-01-08 | 广州丰石科技有限公司 | 基于软采信令的经纬度回填方法 |
CN109168177B (zh) * | 2018-09-19 | 2022-01-04 | 广州丰石科技有限公司 | 基于软采信令的经纬度回填方法 |
US11889382B2 (en) | 2018-10-16 | 2024-01-30 | Huawei Technologies Co., Ltd. | Trajectory matching based on use of quality indicators empowered by weighted confidence values |
CN111328403A (zh) * | 2018-10-16 | 2020-06-23 | 华为技术有限公司 | 基于使用加权置信度值允许的质量指标改进的轨迹匹配 |
CN111328403B (zh) * | 2018-10-16 | 2023-09-29 | 华为技术有限公司 | 基于使用加权置信度值允许的质量指标改进的轨迹匹配 |
CN109788503A (zh) * | 2019-01-08 | 2019-05-21 | 北京中创信测科技股份有限公司 | 一种利用信令监测技术进行定位指纹库校准的方法 |
CN112203324B (zh) * | 2019-07-08 | 2022-08-05 | 中国移动通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
CN112203324A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
WO2021036829A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 一种定位、离线指纹库的生成方法及装置 |
CN110933690B (zh) * | 2019-11-28 | 2023-03-24 | 北京红山信息科技研究院有限公司 | 一种移动终端室分判别方法、装置、服务器和存储介质 |
CN110933690A (zh) * | 2019-11-28 | 2020-03-27 | 北京红山信息科技研究院有限公司 | 一种移动终端室分判别方法、装置、服务器和存储介质 |
CN113194426A (zh) * | 2020-01-14 | 2021-07-30 | 中移动信息技术有限公司 | 一种指纹库的更新方法、装置、设备及计算机存储介质 |
CN113194426B (zh) * | 2020-01-14 | 2022-09-06 | 中移动信息技术有限公司 | 一种指纹库的更新方法、装置、设备及计算机存储介质 |
CN111741525B (zh) * | 2020-03-05 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 定位指纹的更新方法、装置、存储介质和电子设备 |
CN111741525A (zh) * | 2020-03-05 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 定位指纹的更新方法、装置、存储介质和电子设备 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
CN112423333A (zh) * | 2020-11-18 | 2021-02-26 | 上海大学 | 基于位置指纹匹配的蜂窝网络无线定位方法 |
CN112423333B (zh) * | 2020-11-18 | 2022-07-12 | 上海大学 | 基于位置指纹匹配的蜂窝网络无线定位方法 |
CN114157987A (zh) * | 2021-11-22 | 2022-03-08 | 浪潮通信信息系统有限公司 | 一种定位终端用户经纬度坐标的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807346A (zh) | 基于ott与mr数据的自适应wknn室外定位方法 | |
US8786494B2 (en) | Method to modify calibration data used to locate a mobile unit | |
CN102480678B (zh) | 一种指纹定位方法和系统 | |
CN106793082A (zh) | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 | |
EP3890361A1 (en) | Cell longitude and latitude prediction method and device, server, base station, and storage medium | |
CN103997783B (zh) | 一种室外聚类匹配定位方法和装置 | |
CN103068035A (zh) | 一种无线网络定位方法、装置及系统 | |
CN106131959A (zh) | 一种基于Wi‑Fi信号空间划分的两级定位方法 | |
CN108901029B (zh) | 一种基于深度学习的室内外用户区分方法 | |
CN106604228A (zh) | 一种基于lte信令数据的指纹定位方法 | |
CN106572478A (zh) | 一种构造无线栅格的方法及基站 | |
CN107396312A (zh) | 基于神经网络的用户位置精准识别方法 | |
CN103987118B (zh) | 基于接收信号强度信号ZCA白化的接入点k‑means聚类方法 | |
CN102395194B (zh) | Wlan环境下改进ga优化的anfis室内定位方法 | |
CN103686818A (zh) | 一种仿真测试方法及设备 | |
CN110430578A (zh) | 基于移动终端数据实现小区方位角预测的方法 | |
CN115865628B (zh) | 基于多基站协作的无线通信传输系统及方法 | |
CN105866732A (zh) | 一种改进mk模型和wknn算法相结合的混合室内定位方法 | |
CN101873605A (zh) | 一种网络规划中自适应传播环境分类方法 | |
CN113015184A (zh) | 一种无线网络功率调整方法、装置及存储介质 | |
CN112867147B (zh) | 定位方法和定位装置 | |
Li et al. | NQRELoc: AP selection via nonuniform quantization RSSI entropy for indoor localization | |
CN109600792A (zh) | 一种lte mr数据的定位方法 | |
CN109239656A (zh) | 一种位置指纹定位中的射频地图建立方法 | |
CN106131953A (zh) | 一种基于时段内小区频次加权实现移动用户定位的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180316 |