CN108513251A - 一种基于mr数据的定位方法及系统 - Google Patents

一种基于mr数据的定位方法及系统 Download PDF

Info

Publication number
CN108513251A
CN108513251A CN201810150295.9A CN201810150295A CN108513251A CN 108513251 A CN108513251 A CN 108513251A CN 201810150295 A CN201810150295 A CN 201810150295A CN 108513251 A CN108513251 A CN 108513251A
Authority
CN
China
Prior art keywords
data
latitude
training
confidence level
terminal
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.)
Granted
Application number
CN201810150295.9A
Other languages
English (en)
Other versions
CN108513251B (zh
Inventor
李超
袁明明
王炳亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tianyuan Creative Technology Ltd
Original Assignee
Beijing Tianyuan Creative Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Tianyuan Creative Technology Ltd filed Critical Beijing Tianyuan Creative Technology Ltd
Priority to CN201810150295.9A priority Critical patent/CN108513251B/zh
Publication of CN108513251A publication Critical patent/CN108513251A/zh
Application granted granted Critical
Publication of CN108513251B publication Critical patent/CN108513251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例提供了一种基于MR数据的定位方法，包括：S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。本发明实施例提供的基于MR数据的定位方法及系统，在基于MR数据使用机器学习方法定位基础之上，提出置信度模型判断预测的经纬度是否可信，并对不可信数据进行修正，从而克服了由于MR数据受外界影响变化较大，导致定位精确度不高的问题，提高了定位精确度。

Description

一种基于MR数据的定位方法及系统
技术领域
本发明实施例涉及大数据挖掘领域，更具体地，涉及一种基于MR数据的定位方法及系统。
背景技术
随着LTE网络发展以及用户对移动通信质量的要求不断提高，质量监控、网络优化等工作面临着新的挑战。测量报告(MeasurmentReport，MR)指基站所获取的信号强度测量报告，无线接入网(URAN)向移动终端(UE)发送测量控制信息，UE端接受控制信息测量，并向URAN端发送测量报告。MR数据可实时全网监控，更全面、准确地评估和分析优化网络环境。MR数据记录了UE在业务保持过程中的服务小区/邻区ID、信号接收功率(RSRP)、信号接收质量(RSRQ)、到达角(AOA)、发射功率余量(PHR)等无线测量信息。基于MR数据记录中位置信息实现移动定位，可以更及时、更全面的为无线优化和网络规划建设提供准确的依据，一直是通信领域的研究热点。
MR数据能够及时准确上报UE端信号环境信息，并产生海量数据，但是基于MR数据的移动定位由于无线环境质量、基站天线、地形、建筑物等因素都会对信号强度的变化产生影响，现有的定位方法的精确度并不高。传统方法主要是基于测距的空间几何定位方法。例如基于距离的定位技术(TOA，Time of Arrival)，根据到达时间推算移动台位置；基于距离差的定位技术(TDOA，Time Difference of Arrival)，根据到达时间差推算移动台位置；基于到达角的定位技术(AOA，Angle of Arrival)，通过交汇法估计终端的位置。近些年，基于指纹定位的方法获得较好的定位精度，指纹定位将包含位置信息的采集、数据训练为指纹库，将没有位置的MR根据特征进行指纹匹配，生成位置信息。指纹定位可以得到较好的定位效果，定位精度能达到50-100米，但信息采集需要大量的设备，耗费大量的人力，成本代价较高。
目前，基于MR数据和GPS数据，利用机器学习方法学习训练位置信息特征的方法，较为简单易用，但由于MR数据受外界影响变化较大，导致定位精确度不高。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的基于MR数据的定位方法及系统。
一方面本发明实施例提供了一种基于MR数据的定位方法，包括：
S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
另一方面本发明实施例提供了一种基于MR数据的定位系统，所述系统包括：
初步预测模块，用于基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
置信度判断模块，用于基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
定位模块，用于将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
根据本发明的第三方面，提供了一种基于MR数据的定位设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述所述的一种基于MR数据的定位方法。
第四方面发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法。
第五方面发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的基于MR数据的定位方法及系统，在基于MR数据使用机器学习方法定位基础之上，提出置信度模型判断预测的经纬度是否可信，并对不可信数据进行修正，从而克服了由于MR数据受外界影响变化较大，导致定位精确度不高的问题，提高了定位精确度。
附图说明
图1是本发明实施例提供的一种基于MR数据的定位方法流程图；
图2是本发明实施例提供的一种基于MR数据的定位系统结构图。
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地描述，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做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。
图1是本发明实施例提供的一种基于MR数据的定位方法流程图，如图1所示，所述方法包括：
S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
具体的，S1中，所述训练后的决策树回归模型是本发明实施例为了对大量MR数据进行训练学习后提出的预测模型，他能够对于每一终端发送的MR数据进行初步预测，并且，由于MR数据获取代价小，机器学习方法较为成熟，能够较容易初步预测移动终端的定位，满足基本要求。
可以理解的是，在机器学习中，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系，通过对决策树模型的训练，能够使得它完成本发明实施例所需的初步预测经纬度任务。
S2中，所述训练后的置信度模型是本发明实施例用于判断初步预测的经纬度的定位精度是否达到标准，如果S1中初步预测的结果已经能够达到定位精度标准，则无须进行后续操作，直接将此初步定位结果作为终端最终的定位结果，如果S1中初步预测的结果未能满足定位精度标准，则判定此结果不可用，从而在步骤S3中对此定位结果进行修正，从而获得更精准的定位结果。
S3中，对于预测不可信的经纬度，本发明实施例采用了转移概率矩阵的方式进行修正，可以理解的是，在转移概率矩阵中，各个元素都是非负数，且各行元素之和等于1，各元素用概率表示，在一定条件下能够互相转移。
具体的，在本发明实施例中，将转移概率矩阵定义为An×n，n为经纬度栅格化的数量，矩阵中元素aij表示矩阵A第i行第j列的概率，其代表第i个栅格被预测第j个栅格的概率，aij的计算公式如下：
其中，Num(i)为第i个栅格的MR记录，Num(j)为被预测为第j个栅格记录，|*|表示MR记录的数量。
可以理解的是，做出如上转移矩阵的定义的前提条件是本发明实施例将待预测的地理区域进行了栅格化，一般的，在地理信息系统GIS平台上按照一定精度对地理区域进行划分，优选的，采用了50m*50m的划分精度，那么可以将待预测的地理区域划分为多个栅格。
进一步的，本发明实施例分别统计训练数据集的真实经纬度和预测经纬度落入栅格的数量及每个样本数据对应的栅格号，从而计算预测概率。
在本发明实施例提供的转移概率矩阵的基础上，本发明实施例还提供了误分栅格矩阵B2×n，根据误分栅格矩阵B2×n，能够在转移概率矩阵An×n中，从第j列选择概率最大对应的第i行，从而形成i→j的映射关系，那么当不可信的MR记录获取到时，若不可信的MR记录对应的栅格为j栅格时，本发明实施例能将其修正到i栅格，从而使得预测更为精准。
本发明实施例提供的基于MR数据的定位方法，在基于MR数据使用机器学习方法定位基础之上，提出置信度模型判断预测的经纬度是否可信，并对不可信数据进行修正，从而提高了定位精确度。
在上述实施例的基础上，步骤S1之前所述方法还包括：
将终端发送的历史MR数据作为第一训练样本集，对预设的决策树回归模型进行训练，以得到所述训练后的决策树回归模型；
获取包含终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型。
可以理解的是，本发明实施例提供的决策树回归模型和置信度模型需要经过训练样本集的训练，从而获取良好的预测表征。
具体的，在本发明实施例中，对于决策树模型的训练，采用了海量历史数据的方式进行训练，训练样本数据集记录总数可达到千万级，且样本大部分特征均为离散值。
可以理解的是，决策树对应大数据有较高的训练效率，对于离散值也可较好的支持。
本发明实施例根据决策树在训练集上建模训练，从而得到训练后的决策树回归模型。
需要说明的是，本发明实施例发现主小区的经纬度、信号接收功率以及到达角等特征贡献度较高，为进行定位预测的核心特征。
并且经过训练样本集的预测统计，本发明实施例提供的基于决策树回归模型的初步预测与实际经纬度在50m距离误差范围内的准确率为72％。
可以理解的是，上述初步预测的过程仍有部分数据不能准确的预测其经纬度位置，本发明实施例将其称之为缺陷数据，通过本发明实施例提供的置信度模型能够较好的找出这些缺陷数据。
在上述实施例的基础上，所述将终端发送的历史MR数据作为第一训练样本集，对预设的决策树回归模型进行训练，以得到所述训练后的决策树回归模型之前，还包括：
将终端发送的历史MR数据与公参表进行关联，并利用相关性分析法，去除所述历史MR数据中的冗余字段。
可以理解的是，MR数据所包含的字段非常杂多，但不是所有字段的信息都对定位是有效信息，本发明实施例在数据处理之前，需要进行数据清洗，从而去掉MR数据中定位关联性不高的冗余字段。
具体的，本发明实施例选用了MR数据的三个邻区的记录，根据小区的手机信号覆盖区域的的编号ID信息，将MR数据和MR公参表进行关联，并将MR数据中记录的字段之间进行相关性分析。
由相关性分析的结果可以看出某些字段之间呈现很强的相关性，例如特征TAC与特征LONGITUDE\LATITUDE相关系数达到0.94，特征NC1FCN1与特征LTESCEARFCN相关系数为1.00。但还有些特征与其他特征之间的相关系数接近于0，本发明实施例优选的将相关系数全部低于预设阈值的字段判定为冗余字段，从MR数据中去除，从而能够减少模型训练噪声，提高训练效率。
进一步的，本发明实施例还提供了数据异常值剔除处理以及缺失数据均值补齐。
可以理解的是，由于MR数据的量非常庞大，并且设备采集、人为等因素造成很多字段值超出正常值范围，本发明实施例将这类数据称之为异常数据，本发明实施例将直接从训练集中剔除异常数据，以免影响训练精度。
另外，有些数据的某些值可能缺失，但其余值均在正常范围内，对于该类数据，本发明实施例采用了均值补齐的方式进行处理，顾名思义，本发明实施例将计算该值在同样条件下的历史均值，并用该历史均值填补缺失。
经过上述数据清洗过程，本发明实施例最终选用的数据集包含MR记录和公参表共32个字段，包含小区ID、信号接收功率、信号接收质量、发射功率余量、接收干扰功率、到达角、上行信噪比、电子下倾角、机械下倾角等字段。
在上述实施例的基础上，所述获取包含终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型，包括：
获取终端当前时刻的MR数据以及距离当前时刻预设时间间隔的第一目标MR数据和第二目标MR数据；
基于所述当前时刻的MR数据、第一目标MR数据以及第二目标MR数据，获取所述终端的运动轨迹，并从所述终端的运动轨迹中提取所述终端轨迹特征；
将包含所述终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型。
可以理解的是，若能对预测误差过大的数据进行修复，可进一步提高预测经纬度的准确率，本发明实施例利用同一终端前后时刻的位置信息推断当前预测的经纬度是否可靠。
具体的，如果当前与前后时刻的时间间隔很小，但距离却相差很大，那么当前经纬度预测错误的概率会较大。
基于上述原则，本发明实施例获取终端前后时刻的MR数据，结合当前时刻的MR数据和预测的经纬度，构成终端在某段时间段内的运动轨迹。
可以理解的是，获取终端前后时刻的MR数据即所述第一目标MR数据和第二目标MR数据，可以理解的是，本发明实施例设置了终端前后时刻的间隔大小，从而向前获取第一目标MR数据和向后获取第二目标MR数据。
通过第一目标MR数据和第二目标MR数据以及当前时刻的预测MR数据，本发明实施例可以计算前后时间段内的平均速度、加速度、运动方向、距离、时间间隔、方位角等轨迹信息，形成轨迹特征。
优选的，本发明实施例按照国际移动用户识别码IMSI分组并以时间戳排序，计算出10个轨迹特征如表1所示，那么通过上述10个轨迹特征就能够反映用户的位置移动信息。
表1置信度模型的轨迹特征
进一步的，本发明实施例将构造了包含轨迹特征的样本数据集作为训练样本集对随机森林建模优化训练，从而对样本数据的经纬度预测好坏做判断。
具体的，本发明实施例用计算的轨迹信息以及预测的经纬度作为特征数据集X，预测与真实经纬度距离计算的置信度作为类别Y，利用随机森林分类模型构造置信度模型。根据预测的置信度为0的样本数据，我们认为是有缺陷的MR记录，然后利用转移概率矩阵算法进行修复，使其预测的经纬度保持在能够接受的误差内。
在上述实施例的基础上，步骤S2具体包括：
将所述MR数据对应的经纬度输入所述训练后的置信度模型中，计算所述MR数据对应的置信距离；
若所述置信距离大于预设值，则判定所述MR数据对应的经纬度不可信。
可以理解的是，本发明实施例对于每一个MR数据，均会判断其对应的置信距离，一般的，本发明实施例设置置信距离为45m，即超过45m则判定预测不可信，而低于45m则判定预测可信，可直接作为定位结果。
置信距离表示的是预测经纬度与实际经纬度之间的距离，从而将大于置信距离的预测经纬度的置信度定义为1，即不可信，将小于置信距离的预测经纬度的置信度定义为0，即可信，从而完成缺陷数据的确定。
在上述实施例的基础上，步骤S3具体包括：
将不可信的所述MR数据对应的经纬度定位到划分好的第一栅格；
基于预设的转移概率矩阵，将所述第一栅格修正为第二栅格；
将第二栅格中心点的经纬度作为最终定位结果。
经过决策树模型预测和置信度模型，得到预测经纬度和其预测结果的置信度，当置信度为0时，本发明实施例采用转移概率矩阵对预测结果进行修正。
对于待预测的地理区域，本发明实施例按照一定精度划分栅格，在每个栅格中分别统计训练数据集的真实经纬度和预测经纬度落入栅格的数量及每个样本数据对应的栅格号。
那么可以将置信度为0的MR数据对应的经纬度定位为一个栅格，即本发明实施例所述的第一栅格。
由于其置信度为0，故而需要对其进行修正，本发明实施例根据上述实施例中所述的转移概率矩阵，那么第一栅格所在的第j列中最大概率的第i行所对应的栅格即为本发明实施例所确定的第二栅格。
进一步的，本发明实施例将第二栅格的中心点所对应的经纬度作为修正之后的定位结果。
本发明实施例利用了转移概率矩阵，对初步预测不可信的经纬度重新修正，进一步提高了整个方法的定位精确度。
图2是本发明实施例提供的一种基于MR数据的定位系统结构图，如图2所示，所述系统包括：初步预测模块1、置信度判断模块2以及定位模块3，其中：
初步预测模块1用于基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
置信度判断模块2用于基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
定位模块3用于将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
具体的如何通过初步预测模块1、置信度判断模块2以及定位模块3进行定位可参见上述实施例，本发明实施例在此不再赘述。
本发明实施例提供的基于MR数据的定位系统，在基于MR数据使用机器学习方法定位基础之上，提出置信度模型判断预测的经纬度是否可信，并对不可信数据进行修正，从而提高了定位精确度。
本发明实施例提供一种基于MR数据的定位系统，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法，例如包括：S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，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 (10)

1.一种基于MR数据的定位方法，其特征在于，包括：
S1、基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
S2、基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
S3、将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1之前所述方法还包括：
将终端发送的历史MR数据作为第一训练样本集，对预设的决策树回归模型进行训练，以得到所述训练后的决策树回归模型；
获取包含终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型。
3.根据权利要求2所述的方法，其特征在于，所述将终端发送的历史MR数据作为第一训练样本集，对预设的决策树回归模型进行训练，以得到所述训练后的决策树回归模型之前，还包括：
将终端发送的历史MR数据与公参表进行关联，并利用相关性分析法，去除所述历史MR数据中的冗余字段。
4.根据权利要求2所述的方法，其特征在于，所述获取包含终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型，包括：
获取终端当前时刻的MR数据以及距离当前时刻预设时间间隔的第一目标MR数据和第二目标MR数据；
基于所述当前时刻的MR数据、第一目标MR数据以及第二目标MR数据，获取所述终端的运动轨迹，并从所述终端的运动轨迹中提取所述终端轨迹特征；
将包含所述终端轨迹特征的第二训练样本集，对预设的置信度模型进行训练，以得到所述训练后的置信度模型。
5.根据权利要求1所述的方法，其特征在于，步骤S2具体包括：
将所述MR数据对应的经纬度输入所述训练后的置信度模型中，计算所述MR数据对应的置信距离；
若所述置信距离大于预设值，则判定所述MR数据对应的经纬度不可信。
6.根据权利要求1或5所述的方法，其特征在于，步骤S3具体包括：
将不可信的所述MR数据对应的经纬度定位到划分好的第一栅格；
基于预设的转移概率矩阵，将所述第一栅格修正为第二栅格；
将第二栅格中心点的经纬度作为最终定位结果。
7.一种基于MR数据的定位系统，其特征在于，所述系统包括：
初步预测模块，用于基于训练后的决策树回归模型，预测终端发送的测量报告MR数据对应的经纬度；
置信度判断模块，用于基于训练后的置信度模型，判断所述MR数据对应的经纬度是否可信；
定位模块，用于将不可信的所述MR数据对应的经纬度按照预设的转移概率矩阵进行修正，以得到最终定位结果。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至6任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一项所述的方法。
CN201810150295.9A 2018-02-13 2018-02-13 一种基于mr数据的定位方法及系统 Active CN108513251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810150295.9A CN108513251B (zh) 2018-02-13 2018-02-13 一种基于mr数据的定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810150295.9A CN108513251B (zh) 2018-02-13 2018-02-13 一种基于mr数据的定位方法及系统

Publications (2)

Publication Number Publication Date
CN108513251A true CN108513251A (zh) 2018-09-07
CN108513251B CN108513251B (zh) 2020-08-04

Family

ID=63375708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810150295.9A Active CN108513251B (zh) 2018-02-13 2018-02-13 一种基于mr数据的定位方法及系统

Country Status (1)

Country Link
CN (1) CN108513251B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379698A (zh) * 2018-11-06 2019-02-22 深圳天源迪科信息技术股份有限公司 基于信道模型特征提取的小区测量报告定位方法及系统
CN109769216A (zh) * 2018-12-28 2019-05-17 科大国创软件股份有限公司 一种基于手机信号在复杂环境中将用户分群的方法及装置
CN110009159A (zh) * 2019-04-11 2019-07-12 湖北风口网络科技有限公司 基于网络大数据的金融借贷需求预测方法及系统
CN110266412A (zh) * 2019-07-01 2019-09-20 中国电信股份有限公司 预测地铁通信网络sinr的方法和装置
CN110290582A (zh) * 2019-05-22 2019-09-27 浙江工业大学 一种基于seq2seq框架的基站标号轨迹预测方法
CN110493720A (zh) * 2019-09-11 2019-11-22 深圳市名通科技股份有限公司 终端的定位方法、装置及存储介质
CN111246386A (zh) * 2018-11-13 2020-06-05 中国移动通信集团河南有限公司 终端定位方法及装置
CN111343664A (zh) * 2018-12-18 2020-06-26 中国移动通信集团江西有限公司 用户定位方法、装置、设备及介质
CN111405463A (zh) * 2020-03-16 2020-07-10 北京嘀嘀无限科技发展有限公司 信息获取方法、装置、电子设备和存储介质
CN111541986A (zh) * 2019-01-22 2020-08-14 博彦科技股份有限公司 定位方法、装置、存储介质及处理器
WO2020215783A1 (zh) * 2019-04-25 2020-10-29 华为技术有限公司 定位方法、装置及存储介质
CN111879322A (zh) * 2020-06-22 2020-11-03 北京嘀嘀无限科技发展有限公司 一种定位精度的预测方法和系统
CN112506903A (zh) * 2020-12-02 2021-03-16 苏州龙石信息科技有限公司 采用标本线的数据质量表示方法
CN112867147A (zh) * 2021-01-19 2021-05-28 中国联合网络通信集团有限公司 定位方法和定位装置
CN113115254A (zh) * 2021-03-23 2021-07-13 中国联合网络通信集团有限公司 无人机定位方法及服务器
CN113449207A (zh) * 2020-03-24 2021-09-28 华为技术有限公司 电子设备定位的方法、装置、服务器、系统以及存储介质
CN113573236A (zh) * 2020-04-29 2021-10-29 亚信科技（中国）有限公司 定位结果的置信度的评估方法和装置
CN114040494A (zh) * 2020-12-07 2022-02-11 北京市天元网络技术股份有限公司 一种mr数据用户的定位方法及系统
CN114745289A (zh) * 2022-04-19 2022-07-12 中国联合网络通信集团有限公司 网络性能数据的预测方法、装置、存储介质及设备
CN118014213A (zh) * 2024-02-27 2024-05-10 昆山炫生活信息技术股份有限公司 一种城市运行的数据分析系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104427466A (zh) * 2013-08-28 2015-03-18 高德软件有限公司 终端设备定位方法及终端设备
CN104661305A (zh) * 2015-02-16 2015-05-27 百度在线网络技术（北京）有限公司 用于用户终端定位的方法、装置及服务端
US20150260524A1 (en) * 2012-01-11 2015-09-17 Indooratlas Oy Utilizing magnetic field based navigation
CN105491522A (zh) * 2015-12-02 2016-04-13 北京泰合佳通信息技术有限公司 一种基于移动管道数据的用户移动轨迹定位方法
CN106804046A (zh) * 2017-02-16 2017-06-06 广州杰赛科技股份有限公司 基于测量报告的移动台定位方法及装置
CN106912103A (zh) * 2015-12-23 2017-06-30 中国移动通信集团上海有限公司 一种终端定位方法及装置
CN107333232A (zh) * 2016-04-29 2017-11-07 华为技术有限公司 一种终端定位方法及网络设备
CN107396312A (zh) * 2017-07-18 2017-11-24 浪潮天元通信信息系统有限公司 基于神经网络的用户位置精准识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150260524A1 (en) * 2012-01-11 2015-09-17 Indooratlas Oy Utilizing magnetic field based navigation
CN104427466A (zh) * 2013-08-28 2015-03-18 高德软件有限公司 终端设备定位方法及终端设备
CN104661305A (zh) * 2015-02-16 2015-05-27 百度在线网络技术（北京）有限公司 用于用户终端定位的方法、装置及服务端
CN105491522A (zh) * 2015-12-02 2016-04-13 北京泰合佳通信息技术有限公司 一种基于移动管道数据的用户移动轨迹定位方法
CN106912103A (zh) * 2015-12-23 2017-06-30 中国移动通信集团上海有限公司 一种终端定位方法及装置
CN107333232A (zh) * 2016-04-29 2017-11-07 华为技术有限公司 一种终端定位方法及网络设备
CN106804046A (zh) * 2017-02-16 2017-06-06 广州杰赛科技股份有限公司 基于测量报告的移动台定位方法及装置
CN107396312A (zh) * 2017-07-18 2017-11-24 浪潮天元通信信息系统有限公司 基于神经网络的用户位置精准识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAHI ABDELBAR: "Indoor Localization Through Trajectory Tracking Using Neural Networks", 《2017 IEEE MILITARY COMMUNICATIONS CONFERENCE》 *
胡锟: "基于移动终端的室内定位方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379698A (zh) * 2018-11-06 2019-02-22 深圳天源迪科信息技术股份有限公司 基于信道模型特征提取的小区测量报告定位方法及系统
CN111246386A (zh) * 2018-11-13 2020-06-05 中国移动通信集团河南有限公司 终端定位方法及装置
CN111246386B (zh) * 2018-11-13 2021-06-08 中国移动通信集团河南有限公司 终端定位方法及装置
CN111343664B (zh) * 2018-12-18 2023-04-07 中国移动通信集团江西有限公司 用户定位方法、装置、设备及介质
CN111343664A (zh) * 2018-12-18 2020-06-26 中国移动通信集团江西有限公司 用户定位方法、装置、设备及介质
CN109769216B (zh) * 2018-12-28 2021-06-11 科大国创软件股份有限公司 一种基于手机信号在复杂环境中将用户分群的方法及装置
CN109769216A (zh) * 2018-12-28 2019-05-17 科大国创软件股份有限公司 一种基于手机信号在复杂环境中将用户分群的方法及装置
CN111541986A (zh) * 2019-01-22 2020-08-14 博彦科技股份有限公司 定位方法、装置、存储介质及处理器
CN110009159A (zh) * 2019-04-11 2019-07-12 湖北风口网络科技有限公司 基于网络大数据的金融借贷需求预测方法及系统
WO2020215783A1 (zh) * 2019-04-25 2020-10-29 华为技术有限公司 定位方法、装置及存储介质
CN111867049A (zh) * 2019-04-25 2020-10-30 华为技术服务有限公司 定位方法、装置及存储介质
CN111867049B (zh) * 2019-04-25 2021-11-19 华为技术服务有限公司 定位方法、装置及存储介质
CN110290582A (zh) * 2019-05-22 2019-09-27 浙江工业大学 一种基于seq2seq框架的基站标号轨迹预测方法
CN110266412B (zh) * 2019-07-01 2021-06-18 中国电信股份有限公司 预测地铁通信网络sinr的方法和装置
CN110266412A (zh) * 2019-07-01 2019-09-20 中国电信股份有限公司 预测地铁通信网络sinr的方法和装置
CN110493720B (zh) * 2019-09-11 2021-02-19 深圳市名通科技股份有限公司 终端的定位方法、装置及存储介质
CN110493720A (zh) * 2019-09-11 2019-11-22 深圳市名通科技股份有限公司 终端的定位方法、装置及存储介质
CN111405463A (zh) * 2020-03-16 2020-07-10 北京嘀嘀无限科技发展有限公司 信息获取方法、装置、电子设备和存储介质
CN111405463B (zh) * 2020-03-16 2021-01-12 滴图(北京)科技有限公司 信息获取方法、装置、电子设备和存储介质
CN113449207A (zh) * 2020-03-24 2021-09-28 华为技术有限公司 电子设备定位的方法、装置、服务器、系统以及存储介质
EP4114044A4 (en) * 2020-03-24 2023-07-05 Petal Cloud Technology Co., Ltd. METHOD AND APPARATUS FOR POSITIONING AN ELECTRONIC DEVICE, SERVER, SYSTEM AND STORAGE MEDIA
CN113573236B (zh) * 2020-04-29 2024-04-05 亚信科技（中国）有限公司 定位结果的置信度的评估方法和装置
CN113573236A (zh) * 2020-04-29 2021-10-29 亚信科技（中国）有限公司 定位结果的置信度的评估方法和装置
CN111879322A (zh) * 2020-06-22 2020-11-03 北京嘀嘀无限科技发展有限公司 一种定位精度的预测方法和系统
CN112506903B (zh) * 2020-12-02 2024-02-23 苏州龙石信息科技有限公司 采用标本线的数据质量表示方法
CN112506903A (zh) * 2020-12-02 2021-03-16 苏州龙石信息科技有限公司 采用标本线的数据质量表示方法
CN114040494A (zh) * 2020-12-07 2022-02-11 北京市天元网络技术股份有限公司 一种mr数据用户的定位方法及系统
CN112867147A (zh) * 2021-01-19 2021-05-28 中国联合网络通信集团有限公司 定位方法和定位装置
CN113115254B (zh) * 2021-03-23 2022-12-23 中国联合网络通信集团有限公司 无人机定位方法及服务器
CN113115254A (zh) * 2021-03-23 2021-07-13 中国联合网络通信集团有限公司 无人机定位方法及服务器
CN114745289A (zh) * 2022-04-19 2022-07-12 中国联合网络通信集团有限公司 网络性能数据的预测方法、装置、存储介质及设备
CN118014213A (zh) * 2024-02-27 2024-05-10 昆山炫生活信息技术股份有限公司 一种城市运行的数据分析系统及其方法

Also Published As

Publication number Publication date
CN108513251B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN108513251A (zh) 一种基于mr数据的定位方法及系统
zeng Wang et al. Improvement on APIT localization algorithms for wireless sensor networks
US9369986B2 (en) Wireless communication network for estimating the accuracy of fingerprinting positioning algorithms
CN109996186A (zh) 一种网络覆盖问题识别方法及装置、可读取存储介质
CN102480678B (zh) 一种指纹定位方法和系统
US11206555B2 (en) Method for implementing antenna azimuth correction based on user data
US11290975B2 (en) Method and apparatus for obtaining emission probability, method and apparatus for obtaining transition probability, and sequence positioning method and apparatus
CN103068035A (zh) 一种无线网络定位方法、装置及系统
EP3777253B1 (en) Wireless network service assessment
CA2746279A1 (en) Method for position estimation using generalized error distributions
CN106912103B (zh) 一种终端定位方法及装置
CN107995682B (zh) 无线接入点定位方法、装置、电子设备及存储介质
WO2019134549A1 (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN110430578A (zh) 基于移动终端数据实现小区方位角预测的方法
CN104050254B (zh) 利用室内数据构建3d室内特征库的方法
CN108207005B (zh) 一种lte无线网络的评估方法及服务器
Fida et al. Impact of device diversity on crowdsourced mobile coverage maps
CN117517868A (zh) 一种基于分布式测量数据的雷击故障匹配方法及系统
CN112995893A (zh) 一种指纹定位方法、系统、服务器和存储介质
CN104821854A (zh) 一种基于随机集的多主用户多维频谱感知方法
Lan et al. Intelligent GSM Cell Coverage Analysis System Based on GIS.
US20230217261A1 (en) Coverage indicator prediction method, model training method and apparatus, device and medium
CN115348536A (zh) 无线通信网络覆盖效果的确定方法及装置
Jiangtao et al. An improved WKNN algorithm using in indoor positioning
Li et al. A probabilistic approach to outdoor localization using clustering and principal component transformations

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