CN109379698A - 基于信道模型特征提取的小区测量报告定位方法及系统 - Google Patents
基于信道模型特征提取的小区测量报告定位方法及系统 Download PDFInfo
- Publication number
- CN109379698A CN109379698A CN201811314809.6A CN201811314809A CN109379698A CN 109379698 A CN109379698 A CN 109379698A CN 201811314809 A CN201811314809 A CN 201811314809A CN 109379698 A CN109379698 A CN 109379698A
- Authority
- CN
- China
- Prior art keywords
- data
- main plot
- signal characteristic
- sampled point
- channel model
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于信道模型特征提取的小区测量报告定位方法及系统。所述方法包括按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量,并将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角,再利用信号特征向量和采样点相对主小区的信号发射点的距离和方位角训练产生主小区的距离信道模型及方位角信道模型,接着将待定位的采样点的MR数据应用到主小区的距离信道模型及方位角信道模型中,实现对待定位的采样点的定位,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位方法的实用性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于信道模型特征提取的小区测量报告定位方法及系统。
背景技术
用户终端(User Equipment)在接入附近的小区后为辅助接入、切换、释放等移动性管理的任务,会定时地测量其接收到的信号强度、信号质量等信息,形成测量报告(Measurement Report,MR)并上报至当前接入的小区。这些测量报告中约有2%包含测量点(用户终端所在的点)的经纬度(Assisted Global Positioning System,AGPS)。在网络优化及对移动用户进行定位等应用场景下,需要利用这2%携带经纬度的数据为剩下的98%不携带经纬度的采样点进行定位。
目前,基于长期演进(Long Term Evolution,LTE)小区MR的定位方法主要是三角定位和指纹定位。其中,三角定位根据测量报告获取到的三个小区的信号强度、到达延迟或到达方位角来计算测量点的位置。该方法基本的假设是小区信号在理想的传播模型中传输,主要的优点是所有小区使用同一套模型,计算速度快。主要缺点是定位精度差,由于每个小区实际的传播模型(尤其是城区)非常复杂,存在许多建筑物的遮挡和反射,这将对三角定位的结果造成严重的影响,实测的结果表明,三角定位算法的精度在150米左右。
指纹定位的基本假设是小区信号的传播模型足够复杂,每一个位置接受到的主小区和邻区信号特征都是不一样的。通过在时间维度上收集带AGPS的MR,提取小区信号特征到经纬度的映射关系,进而构成定位指纹库。不带经纬度的MR则通过查询指纹库来获取经纬度。该定位算法主要的优点在于定位精度高,定位精度能达到50米左右。而该方法主要的缺陷在于要达到应用级的定位精度,一方面要求指纹库足够完备,在小区覆盖的所有区域都应有指纹,这对于位于郊区的小区几乎是不可能的;另一方面,完备的指纹库和更高的定位精度都会使指纹库变得十分庞大,数据查询和索引成为沉重的覆盖,进而影响定位的效率。事实上,对于动辄拥有几十万小区的运营商,要实现应用级的定位精度和定位效率几乎是不可能的。
发明内容
本发明的目的在于提供一种基于信道模型特征提取的小区测量报告定位方法,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位方法的实用性。
本发明的目的还在于提供一种基于信道模型特征提取的小区测量报告定位系统,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位系统的实用性。
为实现上述目的,本发明提供了一种基于信道模型特征提取的小区测量报告定位方法,包括如下步骤:
步骤S1、获取主小区中多个采样点的MR数据及经纬度,得到样本集;
步骤S2、按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量;
步骤S3、将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角;
步骤S4、根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型,根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型;
步骤S5、接收主小区中待定位的采样点的MR数据,将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角;
步骤S6、根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据;
所述预设的整理规则为:
统计在所述步骤S1中获取的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述步骤S1中获取的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
所述步骤S2还包括:截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;
所述步骤S4中用于训练的信号特征向量均为截短后的信号特征向量。
所述步骤S1具体包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
所述步骤S4中利用基于决策树和梯度下降的机器学习算法训练产生所述距离信道模型及方位角信道模型。
本发明还提供一种基于信道模型特征提取的小区测量报告定位系统,包括:获取单元、与所述获取单元相连的整理单元、与所述整理单元相连的训练单元以及与所述训练单元相连的定位单元;
所述获取单元,用于获取主小区中多个采样点的MR数据及经纬度,得到样本集;
所述整理单元,用于按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量以及将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角;
所述训练单元,用于根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型以及根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型;
所述定位单元,用于接收主小区中待定位的采样点的MR数据,并将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角以及根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
所述获取单元获取的每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据;
所述整理单元中预设的整理规则为:
统计在所述获取单元所获得的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述获取单元所获得的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
所述整理单元还用于截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;
所述训练单元中用于训练的信号特征向量均为截短后的信号特征向量。
所述获取单元获取所述获取主小区中多个采样点的MR数据及经纬度过程包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
所述训练单元利用基于决策树和梯度下降的机器学习算法训练产生所述距离信道模型及方位角信道模型。
本发明的有益效果:本发明提供一种基于信道模型特征提取的小区测量报告定位方法,包括按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量,并将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角,再利用信号特征向量和采样点相对主小区的信号发射点的距离和方位角训练产生主小区的距离信道模型及方位角信道模型,接着将待定位的采样点的MR数据应用到主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角,最后将根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位方法的实用性。本发明还提供一种基于信道模型特征提取的小区测量报告定位系统,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位系统的实用性。
附图说明
为了能更进一步了解本发明的特征以及技术内容,请参阅以下有关本发明的详细说明与附图,然而附图仅提供参考与说明用,并非用来对本发明加以限制。
附图中,
图1为本发明的基于信道模型特征提取的小区测量报告定位方法的流程图;
图2为本发明的基于信道模型特征提取的小区测量报告定位系统的示意图;
图3为本发明的基于信道模型特征提取的小区测量报告定位方法的定位偏差曲线。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果,以下结合本发明的优选实施例及其附图进行详细描述。
请参阅图1,本发明提供一种基于信道模型特征提取的小区测量报告定位方法,包括如下步骤:
步骤S1、获取主小区中多个采样点的MR数据及经纬度,得到样本集。
具体地,所述每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据。
具体地,所述主小区的信号特征数据具体包括所述采样点从主小区接收到的信号强度及质量等数据,所述邻小区的信号特征数据具体包括所述采样点从邻小区接收到的信号强度及质量等数据。
具体地,每一个采样点能够接收到的邻小区的信号特征数据可以为一个或多个,以实际该采样点接收到的信号为准。
需要说明的是,所述步骤S1具体包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
优选地,所述预设时长为至少一个月的时间,以获取足够多的样本进行训练。
进一步地,所述步骤S1中还包括对获得主小区中多个采样点的MR数据及经纬度进行筛错,以剔除其中少量携带异常经纬度的采样点,例如明显超出主小区的覆盖范围的采样点,例如在覆盖范围为5公里以内的主小区中,剔除距离主小区5公里以上的采样点。
步骤S2、按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量。
具体地,所述步骤S2具体包括:统计在所述步骤S1中获取的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述步骤S1中获取的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
例如,在本发明的优选实施例中,所述步骤S1中获取的所有MR数据中的所有邻小区的个数为500个,则设置每一个信号特征向量均包括501个字段,其中第一个字段为主小区字段,后500个字段为邻小区字段,该500个邻小区字段按照其出现的次数从多往少依次排列;
若一个采集点的MR数据包括主小区信号特征数据及排列在第100、103和204字段的邻小区的信号特征数据,则将主小区信号特征数据填入第一个字段,将排列在第100、103和204字段的邻小区的信号特征数据分别填入在第100、103和204字段,除第100、103和204字段以外,剩余的第2至500字段均置空,得到该MR数据对应的信号特征向量。
也就是说,对于任一个MR数据对应的信号特征向量来说,无论该MR数据接收到多个邻小区的信号特征数据,其信号特征向量始终具有501个字段,也即整理得到的所有信号特征向量具有固定的维度,以在后续能够被算法识别。
进一步地,所述步骤S2还包括:截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;例如对于具有501个字段的信号特征向量来说,截去其后200个字段,产生具有301个字段的截短后的信号特征向量,以减少后续算法中的计算量,且由于在每一个信号特征向量中,越往后的字段对应的邻小区出现的次数越少,也就是说越往后的字段实际有效的数据越少,置空越多,即便进行截短,也能够保证足够的计算准确率。
步骤S3、将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角。
步骤S4、根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型,根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型。
需要说明的是,采样点的经纬度是不受主小区影响的客观数据,也即无论是否有主小区,该采样点的经纬度都是一样的,而该采样点相对主小区的信号发射点的距离和方位角则是与主小区的信号特征直接相关的参数,显而可见,距离主小区越近的点,信号特征越强,不同方位角在传播过程中实际的路径可能不同,信号特征也会相应改变,因此通过采样点相对主小区的信号发射点的距离和方位角与信号特征向量关联来训练距离信道模型和方位角信道模型,具有更强的关联性,得到的模型也更准确。
从而,本发明相比于三角定位,避免了对小区模型理想化的假设,具有更高的定位精度,且通过预设的整理规则对所述样本集中的MR数据进行整理,得到具有固定维度的信号特征向量,能够避免信号特征数据错位,并采用基于决策树和梯度下降的机器学习算法训练模型,在保证应用级的定位精度(50米)的情况下,还使算法具有一定的推算能力,且对样本集的完备性要求不高,相比于指纹定位算法避免了查询大规模指纹库的弊端。
当然,若主小区发生变化时,主小区的距离信道模型和方位角信道模型均需要重新训练,也即考虑到每个小区覆盖场景的差异,为每个小区都训练一个专有的模型。
步骤S5、接收主小区中待定位的采样点的MR数据,将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角。
具体地,所述步骤S5中将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中时,需要先将所述待定位的采样点的MR数据按照上述预设的整理规则进行整理,得到所述待定位的采样点的MR数据对应的信号特征向量,再将所述信号特征向量应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角。
步骤S6、根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
请参阅图2,本发明还提供一种基于信道模型特征提取的小区测量报告定位系统,包括:获取单元10、与所述获取单元10相连的整理单元20)、与所述整理单元20相连的训练单元30以及与所述训练单元30相连的定位单元40;
所述获取单元10,用于获取主小区中多个采样点的MR数据及经纬度,得到样本集;
所述整理单元20,用于按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量以及将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角;
所述训练单元30,用于根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型以及根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型;
所述定位单元40,用于接收主小区中待定位的采样点的MR数据,并将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角以及根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
所述获取单元10获取的每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据;
具体地,所述每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据。
具体地,所述主小区的信号特征数据具体包括所述采样点从主小区接收到的信号强度及质量等数据,所述邻小区的信号特征数据具体包括所述采样点从邻小区接收到的信号强度及质量等数据。
具体地,每一个采样点能够接收到的邻小区的信号特征数据可以为一个或多个,以实际该采样点接收到的信号为准。
需要说明的是,所述获取单元10的工作过程具体包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
优选地,所述预设时长为至少一个月的时间,以获取足够多的样本进行训练。
进一步地,所述获取单元10还用于对获得主小区中多个采样点的MR数据及经纬度进行筛错,以剔除其中少量携带异常经纬度的采样点,例如明显超出主小区的覆盖范围的采样点,例如在覆盖范围为5公里以内的主小区中,剔除距离主小区5公里以上的采样点。
具体地,所述整理单元20的工作过程具体包括:统计在所述获取单元10获取的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述步骤S1中获取的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
例如,在本发明的优选实施例中,所述获取单元10获取的所有MR数据中的所有邻小区的个数为500个,则设置每一个信号特征向量均包括501个字段,其中第一个字段为主小区字段,后500个字段为邻小区字段,该500个邻小区字段按照其出现的次数从多往少依次排列;
若一个采集点的MR数据包括主小区信号特征数据及排列在第100、103和204字段的邻小区的信号特征数据,则将主小区信号特征数据填入第一个字段,将排列在第100、103和204字段的邻小区的信号特征数据分别填入在第100、103和204字段,除第100、103和204字段以外,剩余的第2至500字段均置空,得到该MR数据对应的信号特征向量。
也就是说,对于任一个MR数据对应的信号特征向量来说,无论该MR数据接收到多个邻小区的信号特征数据,其信号特征向量始终具有501个字段,也即整理得到的所有信号特征向量具有固定的维度,以在后续能够被算法识别。
进一步地,所述整理单元20还用于截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;例如对于具有501个字段的信号特征向量来说,截去其后200个字段,产生具有301个字段的截短后的信号特征向量,以减少后续算法中的计算量,且由于在每一个信号特征向量中,越往后的字段对应的邻小区出现的次数越少,也就是说越往后的字段实际有效的数据越少,置空越多,即便进行截短,也能够保证足够的计算准确率。
需要说明的是,采样点的经纬度是不受主小区影响的客观数据,也即无论是否有主小区,该采样点的经纬度都是一样的,而该采样点相对主小区的信号发射点的距离和方位角则是与主小区的信号特征直接相关的参数,显而可见,距离主小区越近的点,信号特征越强,不同方位角在传播过程中实际的路径可能不同,信号特征也会相应改变,因此通过采样点相对主小区的信号发射点的距离和方位角与信号特征向量关联来训练距离信道模型和方位角信道模型,具有更强的关联性,得到的模型也更准确。
从而,本发明相比于三角定位,避免了对小区模型理想化的假设,具有更高的定位精度,且通过预设的整理规则对所述样本集中的MR数据进行整理,得到具有固定维度的信号特征向量,能够避免信号特征数据错位,并采用基于决策树和梯度下降的机器学习算法训练模型,在保证应用级的定位精度(50米)的情况下,还使算法具有一定的推算能力,且对样本集的完备性要求不高,相比于指纹定位算法避免了查询大规模指纹库的弊端。
当然,若主小区发生变化时,主小区的距离信道模型和方位角信道模型均需要重新训练,也即考虑到每个小区覆盖场景的差异,为每个小区都训练一个专有的模型。
具体地,所述定位单元40将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中时,需要先将所述待定位的采样点的MR数据按照上述预设的整理规则进行整理,得到所述待定位的采样点的MR数据对应的信号特征向量,再将所述信号特征向量应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角。
综上所述,本发明提供一种基于信道模型特征提取的小区测量报告定位方法,包括按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量,并将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角,再利用信号特征向量和采样点相对主小区的信号发射点的距离和方位角训练产生主小区的距离信道模型及方位角信道模型,接着将待定位的采样点的MR数据应用到主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角,最后将根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位方法的实用性。本发明还提供一种基于信道模型特征提取的小区测量报告定位系统,能够在保证定位精度的前提下,有效控制定位所需的计算量,保证定位系统的实用性。
以上所述,对于本领域的普通技术人员来说,可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形,而所有这些改变和变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种基于信道模型特征提取的小区测量报告定位方法,其特征在于,包括如下步骤:
步骤S1、获取主小区中多个采样点的MR数据及经纬度,得到样本集;
步骤S2、按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量;
步骤S3、将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角;
步骤S4、根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型,根据步骤S2中得到的信号特征向量和步骤S3中得到的采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型;
步骤S5、接收主小区中待定位的采样点的MR数据,将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角;
步骤S6、根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
2.如权利要求1所述的基于信道模型特征提取的小区测量报告定位方法,其特征在于,每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据;
所述预设的整理规则为:
统计在所述步骤S1中获取的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述步骤S1中获取的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
3.如权利要求2所述的基于信道模型特征提取的小区测量报告定位方法,其特征在于,所述步骤S2还包括:截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;
所述步骤S4中用于训练的信号特征向量均为截短后的信号特征向量。
4.如权利要求1所述的基于信道模型特征提取的小区测量报告定位方法,其特征在于,所述步骤S1具体包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
5.如权利要求1所述的基于信道模型特征提取的小区测量报告定位方法,其特征在于,所述步骤S4中利用基于决策树和梯度下降的机器学习算法训练产生所述距离信道模型及方位角信道模型。
6.一种基于信道模型特征提取的小区测量报告定位系统,其特征在于,包括:获取单元(10)、与所述获取单元(10)相连的整理单元(20)、与所述整理单元(20)相连的训练单元(30)以及与所述训练单元(30)相连的定位单元(40);
所述获取单元(10),用于获取主小区中多个采样点的MR数据及经纬度,得到样本集;
所述整理单元(20),用于按照预设的整理规则对所述样本集中的MR数据进行整理,得到分别对应各个MR数据的信号特征向量以及将样本集中的各个采样点的经纬度转换为该采样点相对主小区的信号发射点的距离和方位角;
所述训练单元(30),用于根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的距离训练产生主小区的距离信道模型以及根据整理单元得到的信号特征向量和采样点相对主小区的信号发射点的方位角训练产生主小区的方位角信道模型;
所述定位单元(40),用于接收主小区中待定位的采样点的MR数据,并将所述待定位的采样点的MR数据应用到所述主小区的距离信道模型及方位角信道模型中,得到待定位的采样点相对主小区的信号发射点的距离和方位角以及根据待定位的采样点相对主小区的信号发射点的距离和方位角,得到待定位的采样点的经纬度。
7.如权利要求6所述的基于信道模型特征提取的小区测量报告定位系统,其特征在于,所述获取单元(10)获取的每一个采样点的MR数据包括该采样点接收到的主小区的信号特征数据及该采样点能够接收到的邻小区的信号特征数据;
所述整理单元(20)中预设的整理规则为:
统计在所述获取单元所获得的所有MR数据中出现的每一个邻小区的出现次数;
设置每一个信号特征向量均包括一主小区字段及N个邻小区字段,其中所述主小区字段排列于N个邻小区字段之前,在主小区字段之后N个邻小区字段按照每一个邻小区的出现次数从多往少依次排列,N为出现在所述获取单元所获得的所有MR数据中的所有邻小区的个数;
根据各个MR数据产生各个信号特征向量,每一个MR数据的主小区信号特征数据填入该MR数据的信号特征向量的主小区字段中,接收到的邻小区的信号特征数据填入该MR数据的信号特征向量的对应的邻小区字段中,未在该MR数据中出现的邻小区对应的邻小区字段置空。
8.如权利要求7所述的基于信道模型特征提取的小区测量报告定位系统,其特征在于,所述整理单元(20)还用于截去各个信号特征向量中排列于最末的M个邻小区字段,产生截短后的信号特征向量,M为小于N的正整数;
所述训练单元中用于训练的信号特征向量均为截短后的信号特征向量。
9.如权利要求6所述的基于信道模型特征提取的小区测量报告定位系统,其特征在于,所述获取单元(10)获取所述获取主小区中多个采样点的MR数据及经纬度过程包括:
在预设时长内对主小区进行多次MR采集;
筛选出所述多次MR采集中采集到经纬度的采样点,从而获得主小区中多个采样点的MR数据及经纬度。
10.如权利要求6所述的基于信道模型特征提取的小区测量报告定位系统,其特征在于,所述训练单元(30)利用基于决策树和梯度下降的机器学习算法训练产生所述距离信道模型及方位角信道模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314809.6A CN109379698B (zh) | 2018-11-06 | 2018-11-06 | 基于信道模型特征提取的小区测量报告定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314809.6A CN109379698B (zh) | 2018-11-06 | 2018-11-06 | 基于信道模型特征提取的小区测量报告定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109379698A true CN109379698A (zh) | 2019-02-22 |
CN109379698B CN109379698B (zh) | 2020-08-04 |
Family
ID=65397821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314809.6A Active CN109379698B (zh) | 2018-11-06 | 2018-11-06 | 基于信道模型特征提取的小区测量报告定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109379698B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430578A (zh) * | 2019-08-12 | 2019-11-08 | 北京互联无界科技有限公司 | 基于移动终端数据实现小区方位角预测的方法 |
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 |
WO2021258879A1 (zh) * | 2020-06-23 | 2021-12-30 | 中兴通讯股份有限公司 | 一种基于测量报告邻区列表进行定位的方法及系统 |
GB2596841A (en) * | 2020-07-08 | 2022-01-12 | Vodafone Group Services Ltd | Method of estimating a geographic location of a mobile device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101868023A (zh) * | 2009-04-14 | 2010-10-20 | 华为技术有限公司 | 定位终端的方法、装置和系统 |
CN101986747A (zh) * | 2010-10-14 | 2011-03-16 | 北京拓明科技有限公司 | 移动终端定位方法 |
CN106851553A (zh) * | 2016-09-30 | 2017-06-13 | 广州丰石科技有限公司 | 根据软采信令的自适应指纹定位方法 |
US20170339662A1 (en) * | 2016-05-20 | 2017-11-23 | National Taiwan University | Mobility management method in macro-assisted system and related apparatuses using the same |
CN108495364A (zh) * | 2018-02-09 | 2018-09-04 | 北京天元创新科技有限公司 | 移动终端的定位方法及装置 |
CN108513251A (zh) * | 2018-02-13 | 2018-09-07 | 北京天元创新科技有限公司 | 一种基于mr数据的定位方法及系统 |
-
2018
- 2018-11-06 CN CN201811314809.6A patent/CN109379698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101868023A (zh) * | 2009-04-14 | 2010-10-20 | 华为技术有限公司 | 定位终端的方法、装置和系统 |
CN101986747A (zh) * | 2010-10-14 | 2011-03-16 | 北京拓明科技有限公司 | 移动终端定位方法 |
US20170339662A1 (en) * | 2016-05-20 | 2017-11-23 | National Taiwan University | Mobility management method in macro-assisted system and related apparatuses using the same |
CN106851553A (zh) * | 2016-09-30 | 2017-06-13 | 广州丰石科技有限公司 | 根据软采信令的自适应指纹定位方法 |
CN108495364A (zh) * | 2018-02-09 | 2018-09-04 | 北京天元创新科技有限公司 | 移动终端的定位方法及装置 |
CN108513251A (zh) * | 2018-02-13 | 2018-09-07 | 北京天元创新科技有限公司 | 一种基于mr数据的定位方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430578A (zh) * | 2019-08-12 | 2019-11-08 | 北京互联无界科技有限公司 | 基于移动终端数据实现小区方位角预测的方法 |
CN110430578B (zh) * | 2019-08-12 | 2022-04-19 | 桔帧科技(江苏)有限公司 | 基于移动终端数据实现小区方位角预测的方法 |
WO2021258879A1 (zh) * | 2020-06-23 | 2021-12-30 | 中兴通讯股份有限公司 | 一种基于测量报告邻区列表进行定位的方法及系统 |
GB2596841A (en) * | 2020-07-08 | 2022-01-12 | Vodafone Group Services Ltd | Method of estimating a geographic location of a mobile device |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109379698B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109379698A (zh) | 基于信道模型特征提取的小区测量报告定位方法及系统 | |
CN106878951B (zh) | 用户轨迹分析方法及系统 | |
CN105611568B (zh) | 一种基于mro测量报告对lte终端位置进行准确定位的方法 | |
CN106658399B (zh) | 一种基于手机用户位置指纹进行手机位置定位的方法 | |
FI103629B (fi) | Menetelmä puheluliikenteen kuuman pisteen määrittämiseksi solukkomatka viestinjärjestelmän solussa | |
CN104618937B (zh) | 一种邻区自动优化的方法及装置 | |
CN102083090B (zh) | 一种干扰源的定位方法及装置 | |
CN102480678B (zh) | 一种指纹定位方法和系统 | |
CN108243405A (zh) | 一种指纹库的建立方法、测量报告mr的定位方法及装置 | |
CN110798804B (zh) | 一种室内定位方法和装置 | |
SE469581B (sv) | Foerfarande foer uppskattning av trafikdensitet i mobiltelefonnaet | |
CN105722025A (zh) | 一种基于基站小区的目标客户样本选取方法及系统 | |
CN101790189A (zh) | 一种移动台定位的方法 | |
CN108718254B (zh) | 地铁室内分布系统故障定位方法及系统 | |
CN108207009A (zh) | 轨道网络质量测试方法及装置 | |
CN103686998B (zh) | 一种基于aoa的切换位置定位方法及装置 | |
CN106535210B (zh) | 基于移动通信信令采集的小区业务覆盖图绘制方法及系统 | |
CN103220780A (zh) | 室内定位方法、装置及系统 | |
CN107027122A (zh) | 一种伪基站检测定位系统 | |
CN107607908B (zh) | 一种基于信号时延特征时空分布的定位方法 | |
EP3657841A1 (en) | Method and device for obtaining emission probability, transfer probability and sequence positioning | |
CN105722110A (zh) | 覆盖距离的获取方法及装置 | |
CN102769866A (zh) | 一种室内外业务数据的区分方法及设备 | |
CN110839251B (zh) | 基于用户数据识别天线前后抑制比异常的方法 | |
CN102457852A (zh) | 频率优化的实现方法和装置 |
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 |