CN108307339B - 用户终端定位方法、系统、电子设备及存储介质 - Google Patents
用户终端定位方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108307339B CN108307339B CN201810031917.6A CN201810031917A CN108307339B CN 108307339 B CN108307339 B CN 108307339B CN 201810031917 A CN201810031917 A CN 201810031917A CN 108307339 B CN108307339 B CN 108307339B
- Authority
- CN
- China
- Prior art keywords
- target
- sampling point
- target sampling
- cell
- cells
- 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种用户终端定位方法、系统、电子设备及存储介质,用户终端定位方法包括:根据MRO数据确定LTE网络中的目标采样点对应的目标小区;若目标小区中均为类型为室外小区的目标小区,则判断未发生重合的目标采样点是否小于3个;若是,则采用室外定位法和目标采样点与对应的目标小区间的距离获取目标采样点的一次定位信息;若否,则根据最小二乘法对目标采样点进行三点定位,得到目标采样点的一次定位信息;若目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对一次定位信息进行误差调整,得到目标采样点的二次定位信息。本发明能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种用户终端定位方法、系统、电子设备及存储介质。
背景技术
随着通信技术的飞速发展,无线网络中的用户定位已经成为了为用户提供精准服务的有效手段,同时,通过对用户进行定位,也能够有效提高用户体验。
目前,在无线网络中的用户定位方式中的一种是使用仿真模型进行位置的推算;另外一种是通过MRO数据里面的时间提前量Tadv和eNB天线到达角AOA来实现。
其中,所述使用仿真模型进行位置的推算的方式具体包括:仿真模型的推算是运用射线传播模型进行计算。射线传播模型是通信行业业务专家通过通信理论在多种条件假设下抽象的物理模型。这种物理的理论模型可解释性强有一定的理论支撑;但同时由于是在多种假设条件下给出的模型而网络的真实现状千变万化,这样导致这种仿真模型与网络的真实现状存在较大差异。真正在实际业务中使用导致定位的误差较大,对实际数据质量要求较高。
其中,所述通过MRO数据里面的时间提前量Tadv和eNB天线到达角AOA来进行用户定位的方式具体包括:Tadv:时间提前量,可以用来估算用户到基站的距离;Tadv=1表示距离为78m;AOA:eNB天线到达角,定义了一个用户相对参考方向的估计角度,逆时针方向;这样可以估算用户与主小区的位置和方向;同时由于Tadv的精度为78m,所以此方法只能做到78m的精度;无法进行更精准的定位。
因此,如何提供一种在降低数据要求的同时,还能够有效提高定位准确度的用户定位方式,是亟待解决的问题。
发明内容
针对现有技术中的问题,本发明提供一种用户终端定位方法、系统、电子设备及存储介质,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种用户终端定位方法,所述用户终端定位方法包括:
根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区;
若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个;
若是,则根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息;
若否,则根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息。
进一步地,所述用户终端定位方法还包括:
若判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
进一步地,所述用户终端定位方法还包括:
解析所述MRO数据,并对解析后的所述MRO原始数据进行垃圾数据过滤处理和不同运营商的邻区数据过滤处理;
以及,在所述MRO数据中添加各目标小区的工参数据。
进一步地,在所述若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个之前,所述用户终端定位方法还包括:S1:判断所述目标小区中是否包括类型为室内小区的目标小区;
若是,则执行S2;若否,则确定所述目标小区中均为类型为室外小区的目标小区;
S2:判断所述目标小区中是否仅包括类型为室内小区的目标小区;
若是,则根据室内定位法获取所述目标采样点的一次定位信息;若否,则执行步骤S3;
S3:进一步确定所述目标小区中是否包括一个类型为室内小区和一个类型为室外小区的目标小区,若是,则根据所述工参数据获取所述服务小区的方位角,并在所述室外小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;若否,则根据所述室内定位法和类型为室内小区的目标小区获取所述目标采样点的一次定位信息。
进一步地,所述根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息,包括:
情形一:若所述目标采样点对应一个主服务小区和一个位置点,则根据所述工参数据获取所述主服务小区的方位角,并在所述主服务小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;
情形二:若所述目标采样点对应二个小区和一个位置点,则在二个小区的天线的小或等于180度的方位角夹角之间选取所述靠近半径值较短的一侧的一点的位置信息作为所述目标采样点的一次定位信息;
情形三:若所述目标采样点对应二个小区和二个位置点,则按照所述情形二的计算方式,分别对方位角夹角和半径求均值,得到所述目标采样点的一次定位信息;
情形四:若所述目标采样点对应多个小区和二个位置点,则分别将两个位置点按照情形一至三的过程进行处理,得到两个MR定位信息;以及,根据两个位置点各自距离基站的反距离平方倒数权重,在两个位置点的连线上按照该反距离平方倒数权重值确定所述目标采样点的一次定位信息。
进一步地,所述若判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息,包括:
若判断获知所述目标采样点与对应的主服务小区之间的距离值大于预设误差阈值,则对该目标采样点对应的MDT数据进行预处理;
对预处理后的所述目标采样点对应的MDT数据进行模型训练,得到模型训练的数据特征;以及,采用模型堆叠的集成方法,建立二层的机器学习综合模型;
将所述模型训练的数据特征输入所述机器学习综合模型中的第一层,使得所述第一层中的KNN Regression模型、GBDT模型和Random forest模型进行并行组合运算,并以随机参数搜索的方式优化得到所述KNN Regression模型、GBDT模型和Random forest模型的第一模型预测结果;
将所述第一模型预测结果输入所述机器学习综合模型中的第二层,使得所述第二层中的Random forest模型将所述第一模型预测结果作为特征进行训练,并以随机参数搜索的方式优化得到所述第二层中的Random forest模型的第二模型预测结果,即得到所述目标采样点的二次定位信息。
第二方面,本发明提供了一种用户终端定位系统,所述用户终端定位系统包括:
目标小区确认模块,用于根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区;
一次定位模块,用于在所述目标小区中均为类型为室外小区的目标小区时,根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个;
室外定位模块,用于在一个预设周期内,未发生重合的目标采样点小于3个时,根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息;
三点定位模块,用于在一个预设周期内,未发生重合的目标采样点大于或等于3个时,根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息。
进一步地,所述用户终端定位系统还包括:
二次定位模块,用于在判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差时,基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述用户终端定位方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述用户终端定位方法的步骤。
由上述技术方案可知,本发明提供的一种用户终端定位方法包括:根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离;若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个;若是,则根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息;若否,则根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息;若目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对一次定位信息进行误差调整,得到目标采样点的二次定位信息;能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一中的一种用户终端定位方法的第一种具体实施方式的流程示意图;
图2是本发明实施例一中的一种用户终端定位方法的第二种具体实施方式的流程示意图;
图3是本发明的用户终端定位方法中步骤A01和A02的流程示意图;
图4是本发明的用户终端定位方法的判断流程示意图;
图5是本发明的用户终端定位方法中的步骤402中情形一对应的示意图;
图6是本发明的用户终端定位方法中的步骤402中情形二对应的第一示意图;
图7是本发明的用户终端定位方法中的步骤402中情形二对应的第二示意图;
图8是本发明的用户终端定位方法中的步骤402中情形二中计算逻辑图;
图9是本发明的用户终端定位方法中的步骤402中情形三对应的示意图;
图10是本发明的用户终端定位方法中的步骤500的流程示意图;
图11是本发明实施例二中的一种用户终端定位系统的第一种结构示意图;
图12是本发明实施例二中的一种用户终端定位系统的第二种结构示意图;
图13是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例一提供的一种用户终端定位方法的具体实施方式,参见图1,所述用户终端定位方法具体包括如下内容:
步骤100:根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区。
在步骤100中,用户终端定位系统需要根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离。可以理解的是,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区,还可能包括主服务小区的邻区;且不论是主服务小区还是邻区的类型都可能为室内小区或室外小区,而服务小区的个数和类型,也决定了后续获取目标采样点的一次定位信息的获取方式,因此,步骤100需要准确获取目标采样点对应的目标小区。可以理解的是,所述MRO数据为MR数据中的测量报告样本数据文件。
步骤200:若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个,若是,则执行步骤300;否则执行步骤400。
步骤300:根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息。
在步骤300中,可以理解的是,对于室外定位,是一个平面几何问题,关键点在于在平面上确定一点的信息量是否充足。对于不重合点小于3个的情况,在平面上确定一点的位置是“信息不充分的”,因此需要结合小区天线方位角作最大可能性判定,本算法中用算法拟合选取的规则,以可能的位置点来作为定位点;对于不重合点大于等于3个的情况,信息量是冗余的,可以充分的利用信息的冗余量,求出趋近于真实点的位置。不同算法的关键在于用冗余数据修正数据准确性方式的不同。
步骤400:根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息。
在步骤400中,最小二乘法是数学上比较好的逼近方法:已知1、2、3等n个节点的坐标,及它们到未知节点D到距离,确定节点D的坐标。从上述描述可知,本发明的实施例提供的用户终端定位方法,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
在一种具体实施方式中,本发明的步骤300或步骤400之后,还可以包括步骤500,参见图2,所述步骤500具体包括如下内容:
步骤500:若判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
在步骤500中,所述用户终端定位系统触发本实施例的第四个判断过程,判断所述目标采样点的一次定位信息中是否存在大于预设误差阈值的误差,若存在,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
从上述描述可知,本发明的实施例提供的用户终端定位方法,能够对无线网络中的用户进行进一步的精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题。
在一种具体实施方式中,由于步骤400中需要应用目标小区的工参数据进行进一步的目标采样点的定位,因此,在步骤100之前,参见图3,所述用户终端定位方法还可以具体包括如下内容:
步骤A01:解析所述MRO数据,并对解析后的所述MRO原始数据进行垃圾数据过滤处理和不同运营商的邻区数据过滤处理。
步骤A02:在所述MRO数据中添加各目标小区的工参数据。
在步骤A01和A02中,所述用户终端定位系统首先对解析出来的MRO数据进行垃圾数据过滤,主要是包括主、邻小区电平RSRP为空、邻区earfcn和pci为空、自测数据进行过滤;然后过滤不同运营商的邻区数据,由于所维护资源数据不包含不同运营商的的数据,所以剔除点采样点中包含不同运营商的的邻区;另外,还包括填充主、邻区信息,由于MRO数据中不包含小区的经纬度、覆盖类型、方位角、天线挂高等工参数据,所以定位前需要先维护上这部分信息,维护上所有信息之后,即可以进入定位环节。
从上述描述可知,本发明的实施例一提供的用户终端定位方法,能够对无线网络中的用户进行精确定位,并有效降低了数据要求。
基于上述添加各目标小区的工参数据之后的所述MRO数据,在步骤200之前,所述用户终端定位方法还包括步骤S1至S3,参见图4,所述步骤B00具体包括如下内容:
S1:判断所述目标小区中是否包括类型为室内小区的目标小区;
若是,则执行S2;若否,则确定所述目标小区中均为类型为室外小区的目标小区;
S2:判断所述目标小区中是否仅包括类型为室内小区的目标小区;
若是,则根据室内定位法获取所述目标采样点的一次定位信息;若否,则执行步骤S3;
S3:进一步确定所述目标小区中是否包括一个类型为室内小区和一个类型为室外小区的目标小区,若是,则根据所述工参数据获取所述服务小区的方位角,并在所述室外小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;若否,则根据所述室内定位法和类型为室内小区的目标小区获取所述目标采样点的一次定位信息。
在上述描述中,本实施例中涉及的第一个判断过程即为:所述用户终端定位系统判断所述目标小区中是否包括类型为室内小区的目标小区,若不包括,则说明所述目标小区中均为室外小区,可能是一个室外小区也可能是多个室外小区,基于这种情形,所述用户终端定位系统分别根据所述目标采样点对应一个主服务小区和一个位置点、所述目标采样点对应二个小区和一个位置点、所述目标采样点对应二个小区和二个位置点,或者,所述目标采样点对应多个小区和二个位置点,来获取所述目标采样点的一次定位信息。
若用户终端定位系统判断获知所述目标小区中包括类型为室内小区的目标小区,则此处触发本实施例中的第二个判断过程,即:所述用户终端定位系统继续判断所述目标小区中是否仅包括类型为室内小区的目标小区,若是,则根据室内定位法获取所述目标采样点的一次定位信息;
若用户终端定位系统判断获知目标小区中既包含类型为室内小区的目标小区又包含类型为室外小区的目标小区,则此处触发本实施例中的第三个判断过程,即:所述用户终端定位系统继续判断所述目标小区中类型为室内小区的目标小区和类型为室外小区的目标小区的个数,若所述目标小区中包括室内小区,则进一步判定所述目标小区中是否仅包括一个类型为室内小区的目标小区和一个类型为室外小区的目标小区;若是,则在所述室外小区的方位角朝向室内小区方向偏移半衰落角α角度后的且半径为所述目标采样点与其对应的室外小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的第一初始定位信息,并根据室内定位法和类型为室内小区的目标小区获取所述目标采样点的第二初始定位信息,以及,对所述第一初始定位信息和第二初始定位信息求平均值,得到所述目标采样点的一次定位信息;若否,则根据所述室内定位法和类型为室内小区的目标小区获取所述目标采样点的第一初始定位信息,并根据所述室外定位法和类型为室外小区的目标小区获取所述目标采样点的第二初始定位信息,以及,对所述第一初始定位信息和第二初始定位信息求平均值,得到所述目标采样点的一次定位信息。
可以理解的是,计算MR定位点包括:1)一个室分、一个室外的情况下,室外小区应该在其方位角往室内小区方向偏移(左或右)半衰落角α角度,半径为d的圆环上,随机取一点作为定位点;室分小区按照室内定位法计算出定位点,然后二者求平均;2)其余情况下,室分按照室内定位法B求出定位点、宏站按照室外定位法A求出定位点,然后两者求平均;室内定位法包括:一个室分:50米内随机撒点;2个及以上室分:经纬度求平均。
在一种具体实施方式中,所述步骤100中的获取该目标采样点与其对应的目标小区之间的距离的过程具体包括如下内容:
步骤101:若所述MRO数据中存有所述主服务小区的时间提前量,则根据所述主服务小区的时间提前量确定所述目标采样点与主服务小区之间的距离。
步骤102:若所述MRO数据中未存有所述主服务小区的时间提前量,则根据所述主服务小区的参考信号接收功率和接收电平,基于无线链路预算公式确定所述目标采样点与主服务小区之间的距离,或者,判断所述目标小区中是否还包括所述目标采样点对应的邻区;若是,则根据所述邻区的参考信号接收功率和接收电平,基于无线链路预算公式确定所述目标采样点与邻区之间的距离。
在上述描述中,时间提前量Tadv是网管直接统计的由于终端与基站间距离导致的时间差,不受阴影衰落与穿透损耗等因素影响,精度更高;参考信号发射功率RSRP通过LTE小区的配置数据,可以获取到参考信号发射功率RSRP;若在MRO数据中主服务小区有Tadv,则尽量都用Tadv计算得到距离;在主服务小区没有Tadv的情况下,才用RSRP测算距离。MR中的邻区由于没有Tadv,同样用RSRP计算距离。其中,根据Tadv计算距离的过程为:MR中Tadv取值0-1282,1个Tadv等于78米,因此距离=Tadv值*78米;根据RSRP计算距离的过程为:基于RS参考信号发射功率与接收电平,计算手机距离基站天线的接入距离;根据链路预算公式,可通过路径损耗计算得到接入距离。
接入距离(米)=10^((路径损耗(dB)-161.04+7.1*LOG10(20)
-7.5*LOG10(20)+(24.37-3.7*(20/天线挂高(米))^2)*
LOG10(天线挂高(米))-20*LOG10(频点(GHz))+
(3.2*(LOG10(11.75*UE高度(米)))^2-4.97)+
3*(43.42-3.1*LOG10(天线挂高(米))))/
(43.42-3.1*LOG10(天线挂高(米))))
其中,路径损耗计算如下:
路径损耗(dB)=参考信号发射功率(dBm)-参考信号接收电平RSRP(dBm)-穿透损耗(dB)-阴影衰落(dB)-基站馈线损耗(dB)+基站天线发射增益(dBi)+终端天线接收增益(dBi)-终端接收线缆与人体损耗(dB)。
从上述描述可知,本发明的实施例一提供的用户终端定位方法,能够准确获取所述目标采样点与其对应的目标小区之间的距离。
在一种具体实施方式中,所述用户终端定位方法中的步骤S3包括四种情形,具体如下:
情形一:若所述目标采样点对应一个主服务小区和一个位置点,则根据所述工参数据获取所述主服务小区的方位角,并在所述主服务小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息。
可以理解的是,所述情形一参见图5,合理区域判断逻辑:这个情况的信息量非常少,因此认为凡是在距离上,在天线方位角半衰落角(默认65度)以内的圆弧上都是合理的。计算方法:在小区方位角左右共计2*α角度,半径为d的圆环上,随机取一点作为定位点;(注:d是变量,半径d由天线水平方位图与接收电平RSRP决定)。
情形二:若所述目标采样点对应二个小区和一个位置点,则在二个小区的天线的小或等于180度的方位角夹角之间选取所述靠近半径值较短的一侧的一点的位置信息作为所述目标采样点的一次定位信息。
可以理解的是,所述情形二参见图6和7,合理区域判断逻辑:1)两个天线方位角夹角(小于等于180度)之间的区域是合理的区域;2)距离是根据路径损耗计算的,距离越长说明损耗越大,损耗大可以认ms位置距离天线正对方向越偏,因此,均分线偏向距离短的一边可以认为是合理区域;3)定位点也与主覆盖小区偏离了一定角度,同样的信号强度在偏离正方向角度需要更靠近小区一点,因此主覆盖小区半径以内的位置更合理一点。算法的目的仅为了使结果符合以上规律,参见图8,计算方法为:以距离比值,作为定位方向跟天线的夹角的比值,α:β=d1:d2;其中,a为小区A方位角;b为小区B方位角;d1为MR点距离A的距离;d2为MR点距离B的距离;设d1<d2,则小区A和小区B的夹角为k=b-a;α+β=|k|;K取值为负数说明b位于a逆时针方向。则MR点的位置:半径:d1-(d2-d1)*sinα;与正北夹角:k>0:a+α;K<0::a-α。
情形三:若所述目标采样点对应二个小区和二个位置点,则按照所述情形二的计算方式,分别对方位角夹角和半径求均值,得到所述目标采样点的一次定位信息。
可以理解的是,所述情形三参见图9,大于两个点的情况,按照情况二的逻辑对两两夹角逐一处理,然后角度求均值,距离按照同样方式算;其中,主邻1、主邻2、主邻3各计算出来一个经纬度定位点或者是各计算出来一个半径、夹角,分别求平均)然后求平均。
情形四:若所述目标采样点对应多个小区和二个位置点,则分别将两个位置点按照情形一至三的过程进行处理,得到两个MR定位信息;以及,根据两个位置点各自距离基站的反距离平方倒数权重,在两个位置点的连线上按照该反距离平方倒数权重值确定所述目标采样点的一次定位信息。
可以理解的是,所述情形四按照如下思路:距离小区近的点选点更倾向于合理,选点应该更偏向于距离小区近的那个点。
实现如下:步骤一:将两个点的情况中的每个点按照情况一至三做处理,各得到一个MR定位点;步骤二:将两个点按照各自距离基站的反距离平方倒数权重,在两点的连线上按照权重值取得MR定位点。
从上述描述可知,本发明的实施例提供的用户终端定位方法,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
在一种具体实施方式中,参见图10,所述用户终端定位方法中的步骤500具体包括如下内容:
步骤501:若判断获知所述目标采样点与对应的主服务小区之间的距离值大于预设误差阈值,则对该目标采样点对应的MDT数据进行预处理。
步骤502:对预处理后的所述目标采样点对应的MDT数据进行模型训练,得到模型训练的数据特征;以及,采用模型堆叠的集成方法,建立二层的机器学习综合模型。
步骤503:将所述模型训练的数据特征输入所述机器学习综合模型中的第一层,使得所述第一层中的KNN Regression模型、GBDT模型和Random forest模型进行并行组合运算,并以随机参数搜索的方式优化得到所述KNN Regression模型、GBDT模型和Randomforest模型的第一模型预测结果。
可以理解的是,所述KNN Regression模型、GBDT模型和Random forest模型均为回归模型,其中的随机森林回归Random forest模型的优点是容错性较好,能够容忍数据中部分噪音;多棵树使得模型不容易出现过拟合;KNN Regression回归模型是基于KNN思想而来的;在特征高维空间中计算预测样本点与已有的训练样本点的相似距离,然后取前k个最相似的训练样本点代表预测样本点。在做回归时则综合了这k个样本点,使用k个训练样本点的均值(或者距离权重)作为回归预测的结果;梯度提升树GBDT(Gradient BoostingDecision Tree)是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案,且梯度提升树模型的运算较快,也是不容易出现过拟合现象。
步骤504:将所述第一模型预测结果输入所述机器学习综合模型中的第二层,使得所述第二层中的Random forest模型将所述第一模型预测结果作为特征进行训练,并以随机参数搜索的方式优化得到所述第二层中的Random forest模型的第二模型预测结果,即得到所述目标采样点的二次定位信息。
从上述描述可知,本发明的实施例提供的用户终端定位方法,能够进一步对无线网络中的用户进行精确定位,并有效降低了数据要求。
为进一步的说明本方案,本发明还提供一种用户终端定位方法的具体应用实例,具体包括如下内容:
首先:对MRO数据的清洗环节,该环境主要包括:过滤垃圾数据、剔除不同运营商的数据、填充邻区信息,这个环节很重要,决定了后面定位的精准度。通过清洗环节,得到带有邻区信息的MRO邻区对采样点数据。然后,在hadoop大数据平台上,基于scala语言使用spark内存组件,使用三点定位算法,根据一个主小区,三个邻区的经纬度、方位角,频点、电平等对采样点数据进行定位。最后,由于资源数据经纬度、方位角准确性,以及数据关联质量的不确定因素,使得定位精准度受限。
MRO数据清洗环节主要包括:
(1)对解析出来的MRO数据进行垃圾数据过滤,主要是包括主、邻小区电平RSRP为空、邻区earfcn和pci为空、自测数据进行过滤;
(2)过滤不同运营商的(不同运营商)邻区数据,由于所维护资源数据不包含不同运营商的的数据,所以剔除点采样点中包含不同运营商的的邻区;
(3)填充主、邻区信息,由于MRO数据中不包含小区的经纬度、覆盖类型、方位角、天线挂高等工参数据,所以定位前需要先维护上这部分信息,维护上所有信息之后,即可以进入定位环节。
使用scala语言使用spark内存计算的三点定位环节,主要包括:
(1)距离换算:计算终端与LTE小区间的距离,在LTE MR中主服务器小区有Tadv测量项的,使用Tadv计算距离,没有Tadv的使用RSRP计算距离。基于RSRP和接收电平Pr,根据无线链路预算公式,路径损耗pl可通过路径损耗计算手机距离基站天线的接入距离d;
(2)计算MR定位,具体流程如下:
a)判断采样点的各导频中(包含服务小区和邻小区)RSRP最强的导频是否包含室内小区:
i.若是,则按照室内定位法计算;
ii.若否,则室外定位法。
b)如果各导频中不包含室内小区,然后采用室外定位法:
i.i.对于不重合采样点小于3个的,则分多种情况分别进行计算,参考下面不重合点小于三个的情况;从MR数据中可知
情况一:一个位置点、一个小区
计算方法:在小区方位角(预存在MRO)左右共计2*α=135角度,半径为d的圆环上,随机取一点作为定位点;(注:d是变量,半径d由天线水平方位图与接收电平RSRP决定)
情况二:一个位置点、二个小区
计算方法:认为采样点在两个小区方位角分别为a,b,夹角小于180度范围内而且偏向于d值小的内侧更为合理,然后以到两个小区的距离d1、d2比值,作为定位方向跟两个天线的夹角的α、β比值,α:β=d1:d2,α+β=|a-b|,则MR定位点的位置,半径:d1-(d2-d1)*sinα,方位角与正北夹角:a+α或a-α;
情况三:一个位置点、多个小区
大于两个点的情况,按照情况二的逻辑对两两夹角逐一处理,然后角度求均值,距离按照同样方式算;(主邻1、主邻2、主邻3各计算出来一个经纬度定位点(或者是各计算出来一个半径、夹角,分别求平均),然后求平均)
情况四:两个位置点、多个小区数
按照如下思路:距离小区近的点选点更倾向于“靠谱”,选点应该更偏向于距离小区近的那个点。
实现如下:
步骤一:将两个位置点的情况中的每个位置点按照情况一至三做处理,各得到一个MR定位点。
步骤二:将两个位置点按照各自距离基站的反距离平方倒数权重,在两点的连线上按照权重值取得MR定位点。
ii.对于不重合点大于等于3个的情况,采用最小二乘法;
其中,不重合点指的是MR记录中主服务小区与邻小区的经纬度去重之后的点个数。
通过以上步骤之后,可以将MRO数据中所有采样点标注出来经纬度信息,考虑各种因素影响,定位出来的50M范围内的位置并不是很理想,所以需要加入学习算法进行数据的调优。
对多点定位算法误差距离大于150M的预测点(大于平均站间距的0.8倍),采用机器学习模型进行分析预测。机器学习模型的方案如下:
(1)训练数据采用MDT数据(MRO中含有经纬度值的数据)数据清洗后,进行模型训练。
(2)模型训练的数据特征为:主服务小区的经纬度、PCI、RSRP、RSRQ、天线挂高、方向角,两个邻小区的PCI、RSRP、RSRQ。
(3)采用模型堆叠(model stacking)的集成方法,建立二层的综合模型。
Level-one:采用KNN Regression,GBDT,Random forest三个模型进行并行组合。通过随机参数搜索优化三个模型的超参数。将三个模型预测的结果作为Level-two中模型的特征再次进行训练。
Level-two:采用Random forest模型作将level-one中的结果传入模型作为特征进行模型训练,使用随机参数搜索优化模型的超参数。
本应用实例采用集成思想,将单项高效的定位算法进行创新集成,形成无线网络用户端的精准定位方法体系。多点定位方法对需采样数据的要求较低,能够更广范围的预测,计算速度较快,弥补机器学习模型对特征数据的要求。预测采样点只要满足存在一个小区便能够实现定位。机器学习模型计算精度更高:使用当天数据进行检验用户定位误差在20m范围内达到71%,50m范围内到达86%;使用历史数据检验,能够做到用户定位误差在20m范围内达到47%,50m范围内到达80%以上。
本发明的实施例二提供的一种能够实现所述用户终端定位方法全部内容的用户终端定位系统的具体实施方式,参见图11,所述用户终端定位系统具体包括如下内容:
目标小区确认模块10,用于根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区。
一次定位模块20,用于在所述目标小区中均为类型为室外小区的目标小区时,根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个。
室外定位模块30,用于在一个预设周期内,未发生重合的目标采样点小于3个时,根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息。
三点定位模块40,用于在一个预设周期内,未发生重合的目标采样点大于或等于3个时,根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息
在一种具体实施方式中,参见图12,所述用户终端定位系统还具体包括如下内容:
二次定位模块50,用于在判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差时,基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
本实施例中的用户终端定位系统的实施例具体可以用于执行上述用户终端定位方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明的实施例提供的用户终端定位系统,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
本发明的实施例三提供能够实现上述用于用户终端定位方法中全部步骤的一种电子设备的具体实施方式,参见图13,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于基站、MRO数据及用户终端定位系统等相关设备之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区。
步骤200:若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个。
步骤300:若是,则根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息。
步骤400:若是,则若否,则根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息。
从上述描述可知,本发明的实施例提供的电子设备,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
本发明的实施例四提供能够实现上述用户终端定位方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区。
步骤200:若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个。
步骤300:若是,则根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息。
步骤400:若是,则若否,则根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息。
从上述描述可知,本发明的实施例提供的计算机可读存储介质,能够对无线网络中的用户进行精确定位,并有效降低了数据要求,且定位过程可靠且快速,解决了现有定位技术的误差大,实际有定位用户数量少的问题;同时整套定位方法对数据要求较低,采集点只要满足与单个小区对应,即可以实现定位;以此提供用户的准确位置完成上层的业务建立与业务分析,以便于无线网络业务的决策;以及,在用户级别为解决无线网络的性能优化提供精准位置,从而提升无线网络性能。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用户终端定位方法,其特征在于,所述用户终端定位方法包括:
根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区;
若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个;
若是,则根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息;
若否,则根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息;
其中,所述用户终端定位方法还包括:
解析所述MRO数据,并对解析后的所述MRO原始数据进行垃圾数据过滤处理和不同运营商的邻区数据过滤处理;
以及,在所述MRO数据中添加各目标小区的工参数据;
其中,所述根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息,包括:
情形一:若所述目标采样点对应一个主服务小区和一个位置点,则根据所述工参数据获取所述主服务小区的方位角,并在所述主服务小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;
情形二:若所述目标采样点对应二个小区和一个位置点,则在二个小区的天线的小或等于180度的方位角夹角之间选取靠近半径值较短的一侧的一点的位置信息作为所述目标采样点的一次定位信息;
情形三:若所述目标采样点对应二个小区和二个位置点,则按照所述情形二的计算方式,分别对方位角夹角和半径求均值,得到所述目标采样点的一次定位信息;
情形四:若所述目标采样点对应多个小区和二个位置点,则分别将两个位置点按照情形一至三的过程进行处理,得到两个MR定位信息;以及,根据两个位置点各自距离基站的反距离平方倒数权重,在两个位置点的连线上按照该反距离平方倒数权重值确定所述目标采样点的一次定位信息。
2.根据权利要求1所述的用户终端定位方法,其特征在于,所述用户终端定位方法还包括:
若判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
3.根据权利要求1所述的用户终端定位方法,其特征在于,在所述若所述目标小区中均为类型为室外小区的目标小区,则根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个之前,所述用户终端定位方法还包括:S1:判断所述目标小区中是否包括类型为室内小区的目标小区;
若是,则执行S2;若否,则确定所述目标小区中均为类型为室外小区的目标小区;
S2:判断所述目标小区中是否仅包括类型为室内小区的目标小区;
若是,则根据室内定位法获取所述目标采样点的一次定位信息;若否,则执行步骤S3;
S3:进一步确定所述目标小区中是否包括一个类型为室内小区和一个类型为室外小区的目标小区,若是,则根据所述工参数据获取所述服务小区的方位角,并在所述室外小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;若否,则根据所述室内定位法和类型为室内小区的目标小区获取所述目标采样点的一次定位信息。
4.根据权利要求2所述的用户终端定位方法,其特征在于,所述若判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差,则基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息,包括:
若判断获知所述目标采样点与对应的主服务小区之间的距离值大于预设误差阈值,则对该目标采样点对应的MDT数据进行预处理;
对预处理后的所述目标采样点对应的MDT数据进行模型训练,得到模型训练的数据特征;以及,采用模型堆叠的集成方法,建立二层的机器学习综合模型;
将所述模型训练的数据特征输入所述机器学习综合模型中的第一层,使得所述第一层中的KNN Regression模型、GBDT模型和Random forest模型进行并行组合运算,并以随机参数搜索的方式优化得到所述KNN Regression模型、GBDT模型和Random forest模型的第一模型预测结果;
将所述第一模型预测结果输入所述机器学习综合模型中的第二层,使得所述第二层中的Random forest模型将所述第一模型预测结果作为特征进行训练,并以随机参数搜索的方式优化得到所述第二层中的Random forest模型的第二模型预测结果,即得到所述目标采样点的二次定位信息。
5.一种用户终端定位系统,其特征在于,所述用户终端定位系统包括:
目标小区确认模块,用于根据MRO数据确定LTE网络中的目标采样点对应的目标小区,并获取该目标采样点与其对应的目标小区之间的距离,其中,所述目标小区至少包括位于目标区域内的目标采样点的主服务小区;
一次定位模块,用于在所述目标小区中均为类型为室外小区的目标小区时,根据所述MRO数据,判断一个预设周期内,未发生重合的目标采样点是否小于3个;
室外定位模块,用于在一个预设周期内,未发生重合的目标采样点小于3个时,根据所述目标小区的数量,采用对应的不同的室外定位法和该目标采样点与其对应的目标小区之间的距离,获取所述目标采样点的一次定位信息;
三点定位模块,用于在一个预设周期内,未发生重合的目标采样点大于或等于3个时,根据最小二乘法对所述目标采样点进行三点定位,得到所述目标采样点的一次定位信息;
其中,所述用户终端定位系统还包括:
过滤模块,用于解析所述MRO数据,并对解析后的所述MRO原始数据进行垃圾数据过滤处理和不同运营商的邻区数据过滤处理;以及,在所述MRO数据中添加各目标小区的工参数据;
其中,所述室外定位模块具体用于:
情形一:若所述目标采样点对应一个主服务小区和一个位置点,则根据所述工参数据获取所述主服务小区的方位角,并在所述主服务小区的左右方位角的角度范围内的、以半径为所述目标采样点与其对应的目标小区之间的距离的圆环上,随机取一点的位置信息作为所述目标采样点的一次定位信息;
情形二:若所述目标采样点对应二个小区和一个位置点,则在二个小区的天线的小或等于180度的方位角夹角之间选取靠近半径值较短的一侧的一点的位置信息作为所述目标采样点的一次定位信息;
情形三:若所述目标采样点对应二个小区和二个位置点,则按照所述情形二的计算方式,分别对方位角夹角和半径求均值,得到所述目标采样点的一次定位信息;
情形四:若所述目标采样点对应多个小区和二个位置点,则分别将两个位置点按照情形一至三的过程进行处理,得到两个MR定位信息;以及,根据两个位置点各自距离基站的反距离平方倒数权重,在两个位置点的连线上按照该反距离平方倒数权重值确定所述目标采样点的一次定位信息。
6.根据权利要求5所述的用户终端定位系统,其特征在于,所述用户终端定位系统还包括:
二次定位模块,用于在判断获知所述目标采样点的一次定位信息存在大于预设误差阈值的误差时,基于机器学习方法对所述目标采样点的一次定位信息进行误差调整,得到所述目标采样点的二次定位信息。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述用户终端定位方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述用户终端定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031917.6A CN108307339B (zh) | 2018-01-12 | 2018-01-12 | 用户终端定位方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031917.6A CN108307339B (zh) | 2018-01-12 | 2018-01-12 | 用户终端定位方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108307339A CN108307339A (zh) | 2018-07-20 |
CN108307339B true CN108307339B (zh) | 2020-09-08 |
Family
ID=62868830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031917.6A Active CN108307339B (zh) | 2018-01-12 | 2018-01-12 | 用户终端定位方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108307339B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109257699B (zh) * | 2018-11-15 | 2020-06-16 | 电子科技大学 | 一种利用梯度提升树的无线传感器网络定位方法 |
CN111541986B (zh) * | 2019-01-22 | 2022-09-09 | 博彦科技股份有限公司 | 定位方法、装置、存储介质及处理器 |
CN112543470B (zh) * | 2019-09-23 | 2023-04-07 | 中国移动通信集团重庆有限公司 | 基于机器学习的终端定位方法及系统 |
CN110784822B (zh) * | 2019-10-31 | 2021-06-15 | 广东博智林机器人有限公司 | 基站、基站定位的方法及相对应的设备 |
CN113133012B (zh) * | 2019-12-30 | 2023-04-11 | 中国移动通信集团吉林有限公司 | 一种室分坏点位置确定方法、装置和存储介质 |
CN112954708A (zh) * | 2021-03-22 | 2021-06-11 | 中电积至(海南)信息技术有限公司 | 一种基于测量报告的定位方法及装置 |
CN113411813A (zh) * | 2021-07-05 | 2021-09-17 | 浪潮天元通信信息系统有限公司 | 基于用户特性的mro采样点室内外分离方法及装置 |
CN114363805B (zh) * | 2021-12-29 | 2024-04-30 | 北京红山信息科技研究院有限公司 | 一种纠正背向点的三角定位改进方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK2374021T3 (da) * | 2008-12-17 | 2013-05-21 | Ericsson Telefon Ab L M | Fremgangsmåder og anordninger til fingeraftrykspositionering |
KR20120111358A (ko) * | 2011-03-31 | 2012-10-10 | 주식회사 팬택 | 무선 통신 시스템에서 업링크 동기 정보를 송수신하는 장치 및 방법 |
US9398465B2 (en) * | 2013-08-08 | 2016-07-19 | Intel IP Corporation | User equipment distribution information collection |
CN103634810B (zh) * | 2013-12-24 | 2017-04-12 | 英国Ranplan无线网络设计公司 | 一种室内无线网络覆盖问题区域定位的方法 |
CN103747474B (zh) * | 2014-01-13 | 2017-03-08 | 北京胜普多邦通信技术有限公司 | 一种通过测量报告计算评估网络结构问题区域的方法 |
CN105611568B (zh) * | 2015-11-11 | 2019-01-01 | 北京电旗通讯技术股份有限公司 | 一种基于mro测量报告对lte终端位置进行准确定位的方法 |
CN105979579A (zh) * | 2016-05-19 | 2016-09-28 | 华东交通大学 | Toa/aoa混合定位方法在lte系统中的应用 |
CN106507411B (zh) * | 2016-12-02 | 2019-07-23 | 浪潮天元通信信息系统有限公司 | 一种基于mr的lte工参自动核查方法 |
CN107277852A (zh) * | 2017-06-26 | 2017-10-20 | 西安汇龙科技股份有限公司 | 基于测量报告的问题点定位方法及系统 |
-
2018
- 2018-01-12 CN CN201810031917.6A patent/CN108307339B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108307339A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108307339B (zh) | 用户终端定位方法、系统、电子设备及存储介质 | |
US10976405B2 (en) | Method and system for geolocating a terminal of a wireless communication system | |
US8509810B2 (en) | Method and apparatus for geo-locating mobile station | |
US8526961B2 (en) | Method and apparatus for mapping operating parameter in coverage area of wireless network | |
Alimpertis et al. | City-wide signal strength maps: Prediction with random forests | |
Isabona et al. | Hybrid neural network approach for predicting signal propagation loss in urban microcells | |
US8391890B2 (en) | Method and apparatus for geo-locating mobile station | |
EP2952047A1 (en) | System and method for localizing wireless devices | |
CN102984745A (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
WO2022017012A1 (zh) | 一种网络配置方法及装置 | |
Qureshi et al. | Enhanced MDT-based performance estimation for AI driven optimization in future cellular networks | |
CN113015192A (zh) | 天线权值确定方法、装置、设备及存储介质 | |
Ryden et al. | Predicting strongest cell on secondary carrier using primary carrier data | |
Shakir et al. | Performance analysis for a suitable propagation model in outdoor with 2.5 GHz band | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
Shakir et al. | Position location based on measurement reports in LTE cellular networks | |
Grimoud et al. | An algorithm for fast REM construction | |
Shakir et al. | Measurement-based geolocation in LTE cellular networks | |
Galindo-Serrano et al. | Cellular coverage optimization: A radio environment map for minimization of drive tests | |
US9794893B2 (en) | Wireless communication control device and wireless communication control method | |
Waheed et al. | Measurements of deterministic propagation models through field assessments for long-term evaluation | |
Han et al. | An efficient RF fingerprint positioning algorithm based on uneven grid layout | |
Boujnah et al. | Crowdsourcing based terminal positioning using linear and non-linear interpolation techniques | |
Ureten | Single and multiple emitter localization in cognitive radio networks | |
Chen | Network Analysis Based on 2/4G Common Coverage Research in Rural Area |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |