CN108901029B - 一种基于深度学习的室内外用户区分方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的室内外用户区分方法，包括如下步骤：从MR数据中抽取主区对应的MR采样点；遍历上述MR采样点，根据比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异，对采样点的室内、外属性进行赋值；根据赋值对确定各MR采样点是室内采样点还是室外采样点，并由这些MR采样点与室内外属性值、每个采样点的RSRP值相对于采样点整体而言出现的概率构成基础特征库；对新增的MR采样点，根据各MR采样点的RSRP值在基础特征库内所占的概率进行加权平均，获得对应采样点精确RSRP值；通过将该RSRP值与门限进行比较确定新增采样点位修正的室内外属性；由于特征库是根据用户上报的MR数据不断演进更新的，在自主学习过程中不断完善，可提升室内外用户定位准确性。

Description

一种基于深度学习的室内外用户区分方法

技术领域

本发明属于无线通信技术领域，更具体地，涉及一种基于深度学习的室内外用户区分方法。

背景技术

准确区分室内外用户属性可精确指导网络规划和优化，有助于制定更为精准的网络优化或基站覆盖方案，有效的改善的网络质量，提高用户满意度。在现有MR指纹库基础上对用户行为进行定位，区分用户日常行为，分析用户使用习惯，将有助于提升用户体验。

现有技术譬如申请号为CN201610356137的中国专利公开了一种用于室内外用户区分的方法和装置，将服务小区的MR样本数据按照预设的方向划分策略划分为至少一个MR样本数据集合；针对每个MR样本数据集合获取对应的MR样本数据分布关系；按照室内用户与室外用户的分布性质通过预设的拟合算法与MR样本数据分布关系获取每个MR样本数据集合中室内用户数量与室外用户数量；将每个MR样本数据集合中的MR数据按照预设的排序规则进行排序；对排序后的MR数据按照每个MR样本数据集合中室内用户数量与室外用户数量进行标记；该方案通过曲线拟合区分出每个接收场强区的MR样本中室内和室外样本点的个数，从而当用户的服务小区为室外小区时，能够从移动通信网络的系统侧区分出室内外用户。

然而，该专利所公开的技术方案对于室内外用户区分时，对于源小区只涉及服务小区为室外小区的情况，且需要与天线方向有关；而现有无线网络包括宏站及室分两种覆盖模式，实际业务过程中不管是处在室内还是室外环境下，均必然存在占用到室内小区或室外小区两种情况，因此该技术方案在实际应用中存在很大片面性或存在判决结果偏离；另一方面，该专利所公开的技术方案中，采样小区的服务小区只考虑到室外小区，无法解决室内信号对样本库带来的干扰问题，并会因为室内信号的加入导致样本库的准确性下降；又一方面，该技术方案对每个点位室内外区分没有量化，无法准确区分相近点位室内外特性，因此在定位准确率方面还有待改进。

发明内容

针对现有技术的以上缺陷或改进需求的至少一点，本发明提供了一种基于深度学习的室内外用户区分方法，其目的在于提升室内外用户区分的准确度。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的室内外用户区分方法，具体包括如下步骤：

(1)从MR数据中抽取出主区对应的MR采样点；

(2)遍历上述MR采样点，根据包括比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异的参数，利用室内外属性赋值模型对各采样点的室内属性和室外属性进行赋值；

根据赋值对各MR采样点进行判定，确定MR采样点是室内采样点还是室外采样点；并由这些MR采样点与对应的室内外属性值、以及每个采样点的参数值相对于样本整体而言出现的概率，构成基础特征库；

(3)对新增的MR采样点，根据各MR采样点的RSRP值在基础特征库内所占的概率进行加权平均，获得对应采样点精确RSRP值；通过将该精确RSRP值与预设门限进行比较，获得新增采样点位的室内外属性。

优选地，上述基于深度学习的室内外用户区分方法，还包括如下步骤：

(4)将新增采样点位的室内外属性与基础特征库数据进行比较，修正新增采样点室内外属性并进入特征库，增大特征库采样点数量。

优选地，上述基于深度学习的室内外用户区分方法，其步骤(2)包括如下子步骤：

(2.1)若采样点对应的主区为室分站，判定该主区对应的采样点为室内信号采样点，若采样点对应的主区为宏站则进入步骤(2.2)；

(2.2)获取主区的服务小区电平(RSRP)、主服务小区与邻区电平差值、采样点TA、邻区个数、用户运动属性、主服务小区经纬度，并根据这些参数，利用室内外属性赋值模型对主区的室内属性值和室外属性值进行赋值；

其中，室内外属性赋值模型如下：

(a)当主区电平ScRsrp位于电平区间(MinRsrp，A)，将室内属性值i赋值为0.5+0.5/(A-MaxRsrp)*(A-ScRsrp)；将室外属性值j赋值为(1-i)；

当主区电平ScRsrp位于电平区间(A，MaxRsrp)将室内属性值i赋值为0.5/(MaxRsrp+85)*(MaxRsrp-ScRsrp)；将室外属性值j赋值为＝(1-i)；

其中，MinRsrp是指最小接收电平，MaxRsrp是指最大接受电平；

(b)若TA＞B，将室内属性值赋值i为1，将室外属性值j赋值为0；

若TA≤B，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

其中，阈值A、B结合现场场景进行设置，在本发明的一个实施例里A阈值优选设置为-85，阈值B优选设置为2；

(c)结合路损和发射功率计算样点的理论主区电平，用该理论主区电平与采样点实际主区电平取差值获得衰减差ScRsrpDiff；

若衰减差ScRsrpDiff>C，则将室内属性值i赋值为1；将室外属性值j赋值为0；

若衰减差ScRsrpDiff≤C，则将室内属性值i赋值为0.05*ScRsrpDiff，将室外属性值j赋值为(1-i)；

阈值C根据无线通信物体穿透衰减标准来设定，在本发明的一个实施例里根据的参考墙体穿透损耗值设置为20；

(d)若主区的邻区数为0，则将室内属性值i赋值为1，将室外属性值j赋值为0；

若主区的邻区数不为0，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

(e)若主邻区电平差ScNcRsrpDiff≥D，则将室内属性值i赋值为0.8，将室外属性值j赋值为0.2；

主邻区电平差ScNcRsrpDiff<D，则将室内属性值i赋值为(0.2+0.6/12*ScNcRsrpDiff)，将室外属性值j赋值为(1-i)；

在本发明的一个实施例里阈值D根据经验值设置为12；

将上述(a)、(b)、(c)、(d)、(e)部分所获得的室外属性值进行平均，室内属性值也进行平均，获得室内属性值与室外属性值的最终赋值结果；

(2.3)将上述最终赋值结果中，室内属性值不低于预设阈值的采样点判定为室内采样点，室内属性值低于预设阈值的采样点判定为室外采样点；在本发明的一个实施例里，本步骤中的预设阈值为0.5。

优选地，上述基于深度学习的室内外用户区分方法，获得对应采样点精确RSRP值的方法包括如下子步骤：

(3.1)根据MR数据中各点位的RSRP形成一组数列{RSRP₀；RSRP₁；RSRP₂；……；RSRP_n}；

(3.2)根据上述数列中的每个RSRP值出现的频次计算概率，对应地生成用户出现点位的关于RSRP的概率数列{P₀；P₁；P₂……；P_n}；

(3.3)对于新接收到的MR数据从中采集RSRP数据，根据该RSRP数据结合概率数列得到这个用户在某个点位的概率；

(3.4)对于每个点位，每个新接收到的MR数据的主区RSRP都有一个概率P，那么计算加权平均值可以得到这个点位的RSRP值：

优选地，上述基于深度学习的室内外用户区分方法，其步骤(3)中，预设门限为-85；

若采样点的RSRP_n≥-85dbm，则将该点判定为室内采样点，若采样点的RSRP_n＜-85dbm，则将该点为室外采样点。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的基于深度学习的室内外用户区分方法，首先建立基于MR采样点以及采样点室内外属性值的基础特征数据库；对于新增的MR采样点根据RSRP值出现的概率，将MR点位概率化；将通过海量真实的用户行为数据形成的特征库用于判定新增用户的室内外属性；并在现有MR数据基础上，采用步骤(2)和(3)所构成的二次比较，对点位室内外定位过程中的误差进行修正，从而精确的对室内外用户进行区分；由于特征库是根据用户上报的MR数据不断演进更新的，因此是在自主学习过程中不断完善，采用该特征库进行室内外用户区分，可进一步提升室内外用户定位准确性；

(2)本发明提供的基于深度学习的室内外用户区分方法，由于不区分室内外基站信号，完全基于真实的用户行为根据MR数据进行定位，因此在定位方面具备广泛性、全面性的优点；

(3)本发明提供的基于深度学习的室内外用户区分方法，与现有技术对于MR样本数据作分析时采取的迭代算法不同，采用的是基于机器学习能力的类比法，该基于机器学习能力的类比法由于进行了二次比较，可以实现对用户行为特征的反复类比，是时间维度、空间维度的动态算法，相比于现有技术的静态分析对于用户的位置定位只能获得一次性结果、并不能对因用户行为发生变化导致的用户属性改变进行实时正向跟踪计算的缺陷而言，由于经过自主学习，反复比较，因此本发明的这种动态算法，能起到对每一个用户信号进行准确区分，提升室内外用户定位准确性。

附图说明

图1是本发明提供的基于深度学习的室内外用户区分方法的实施例的流程示意图；

图2是本发明提供的基于深度学习的室内外用户区分方法的原理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于深度学习的室内外用户区分方法的一个实施例，其流程参照图1；具体包括如下步骤：

(1)从MR数据中抽取出主区对应的MR采样点；

(2)遍历上述MR采样点，根据比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异，利用室内外属性赋值模型对各采样点的室内属性和室外属性进行赋值；

根据上述赋值对各MR采样点进行判定，确定MR采样点是室内采样点还是室外采样点，并由这些MR采样点与对应的室内外属性值、以及每个采样点的RSRP值相对于采样点整体而言出现的概率，构成基础特征库；

(3)对新增的MR采样点，根据各MR采样点的RSRP值在基础特征库内所占的概率进行加权平均，获得对应采样点精确RSRP值；通过将该精确RSRP值与预设门限进行比较，获得新增采样点位修正的室内外属性。

(4)将新增采样点位的室内外属性与基础特征库数据进行比较，修正新增采样点室内外属性并加入所述基础特征库，以增大基础特征库的采样点数量。

以下集合具体实例对基于深度学习的室内外用户区分方法进行具体阐述。

(1)采集MR数据；分析MR数据，提取MR数据中主区电平值、TA、路损、主区邻区个数、邻区最强电平值；

(2)遍历上述MR采样点，根据比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异，利用室内外属性赋值模型对各采样点的室内属性和室外属性进行赋值；根据该赋值对各MR采样点进行判定，确定MR采样点是室内采样点还是室外采样点；其流程参照图2；

本实例中，从MR数据中抽取出来的数据如下表1所示；

表1数据采集表

根据每个采样点的上述参数值相对于特征库内所有采样点而言出现的概率，将MR点位概率化，实例中所获得的概率分布以及室内外属性判定参照以下表2；

表1概率分布表

以上表2中明确了每个采样点的室内外属性，对于任意一个采样点，如果再有新的同类采样点进入，则根据其RSRP值相对于特征库内所有采样点而言出现的概率进行加权平均，获得加权平均RSRP值，将该值与预设门限进行比较，确定新的采样点的室内外属性；并将这些新的采样点增加到基础特征库里，具体参照下表3；

表2特征库增量表

本实施例提供的基于深度学习的室内外用户区分方法，通过将MR点位概率化后进行一次比较、再通过将根据出现概率加权平均处理后的RSRP值与预设门限进行二次比较，通过二次比对法，在对特征库中采样点的室内外属性进行首次确定的基础上再进行修正，从而进一步提高对用户进行室内外定位区分的准确性。

本发明提供的基于深度学习的室内外区分方法，通过对室内外用户的定位区分，综合用户行为、业务特性进行多维度大数据分析，有效解决了传统室内外用户定位准确性低的问题。可用于指导运营商锁定高价值、热点区域。通过该方法，根据室内外用户移动性能、行为属性，网络优化人员可以针对不同场景采取差异化优化策略，提升网络质量；网络规划人员可以结合用户分布集中度，对有限的网络资源实施精细化规划投入，确保资源利用率最大化，投资收益率最高。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的室内外用户区分方法，其特征在于，具体包括如下步骤：

(1)从MR数据中抽取出主区对应的MR采样点；

(2)遍历上述MR采样点，根据包括比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异的参数，利用室内外属性赋值模型对各采样点的室内属性和室外属性进行赋值；

根据赋值对各MR采样点进行判定，确定MR采样点是室内采样点还是室外采样点；并由这些MR采样点与对应的室内外属性值、以及每个采样点的参数值相对于样本整体而言出现的概率，构成基础特征库；

所述步骤(2)包括如下子步骤：

(2.1)若采样点对应的主区为室分站，判定该主区对应的采样点为室内信号采样点，若采样点对应的主区为宏站则进入步骤(2.2)；

(2.2)获取主区的服务小区电平、主服务小区与邻区电平差值、采样点TA、邻区个数、用户运动属性、主服务小区经纬度，并根据这些参数，利用室内外属性赋值模型对主区的室内属性值和室外属性值进行赋值；

其中，利用室内外属性赋值模型对主区的室内属性值和室外属性值进行赋值的方法具体如下：

(a)当主区电平位于电平区间(MinRsrp，A)，将室内属性值i赋值为0.5+0.5/(A-MaxRsrp)*(A-ScRsrp)；将室外属性值j赋值为(1-i)，其中，ScRsrp为主区电平值；

当主区电平位于电平区间(A，MaxRsrp)将室内属性值i赋值为0.5/(MaxRsrp+85)*(MaxRsrp-ScRsrp)；将室外属性值j赋值为＝(1-i)；

其中，MinRsrp是指最小接收电平，MaxRsrp是指最大接受电平；

(b)若TA＞B，将室内属性值赋值i为1，将室外属性值j赋值为0；

若TA≤B，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

(c)结合路损和发射功率计算样点的理论主区电平，用该理论主区电平与采样点实际主区电平取差值获得衰减差ScRsrpDiff；

若衰减差>C，则将室内属性值i赋值为1；将室外属性值j赋值为0；

若衰减差≤C，则将室内属性值i赋值为0.05*ScRsrpDiff，将室外属性值j赋值为(1-i)；

(d)若主区的邻区数为0，则将室内属性值i赋值为1，将室外属性值j赋值为0；

若主区的邻区数不为0，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

(e)若主邻区电平差ScNcRsrpDiff≥D，则将室内属性值i赋值为0.8，将室外属性值j赋值为0.2；

主邻区电平差ScNcRsrpDiff<D，则将室内属性值i赋值为(0.2+0.6/12*ScNcRsrpDiff)，将室外属性值j赋值为(1-i)；

其中，A是指主区电平阈值，B是指TA阈值，C是指衰减差阈值，D是指主邻区电平差阈值；

将上述(a)、(b)、(c)、(d)、(e)部分所获得的室外属性值进行平均、室内属性值也进行平均，获得室内属性值与室外属性值的最终赋值结果；

(2.3)根据所述最终赋值结果，将室内属性值不低于预设阈值的采样点判定为室内采样点，室内属性值低于预设阈值的采样点判定为室外采样点；

(3)对新增的MR采样点，根据各MR采样点的RSRP值在基础特征库内所占的概率进行加权平均，获得对应采样点精确RSRP值；通过将该精确RSRP值与预设门限进行比较，获得新增采样点位的室内外属性。

2.如权利要求1所述的基于深度学习的室内外用户区分方法，其特征在于，还包括如下步骤：

(4)将新增采样点位的室内外属性与基础特征库数据进行比较，修正新增采样点室内外属性并将新增点位加入所述基础特征库，以增大基础特征库的采样点数量。

3.如权利要求1或2所述的基于深度学习的室内外用户区分方法，其特征在于，获得采样点精确RSRP值的方法包括如下子步骤：

(3.1)根据MR数据中各点位的RSRP形成一组数列{RSRP₀；RSRP₁；RSRP₂；……；RSRP_n}；

(3.2)根据上述数列中的每个RSRP值出现的频次计算概率，对应地生成用户出现点位的关于RSRP的概率数列{P₀；P₁；P₂……；P_n}；

(3.3)对于新接收到的MR数据从中采集RSRP数据，根据该RSRP数据结合概率数列得到这个用户在某个点位的概率；

(3.4)对于每个点位，每个新接收到的MR数据的主区RSRP都有一个概率P，那么计算加权平均值可以得到这个点位的RSRP值：

。

4.如权利要求1或2所述的基于深度学习的室内外用户区分方法，其特征在于，所述步骤(3)中，预设门限为-85；

若采样点的RSRP_n≥-85dbm，则将该点判定为室内采样点，若采样点的RSRP_n＜-85dbm，则将该点为室外采样点。

Images