CN109769201A

CN109769201A - 一种实现用户精准定位的智慧城市管理平台

Info

Publication number: CN109769201A
Application number: CN201811625727.3A
Authority: CN
Inventors: 方健; 张海永; 金俊峰; 李�杰; 黄文东; 李宝玉
Original assignee: Section Big Country Wound Software Inc Co
Current assignee: Section Big Country Wound Software Inc Co
Priority date: 2018-12-28
Filing date: 2018-12-28
Publication date: 2019-05-17
Anticipated expiration: 2038-12-28
Also published as: CN109769201B

Abstract

本发明公开了一种实现用户精准定位的智慧城市管理平台，将异常数据剔除；将道路用户识别为速度较快的用户、等红绿灯的用户、以及道路上相似轨迹的用户；将室内用户识别出来；将需要划分的栅格确定范围，根据设定尺寸进行划分；划分出所有室内属性的子栅格和道路属性的子栅格；将带有属性的数据点及栅格进行匹配，并将数据点落入对应的栅格内；根据信号特征，将用户分组，相似信号特征的用户分为一类；对每块区域内的特征及对应的特征值进行提取；对指纹库进行实时自动更新；对MR原始数据点的特征及对应的特征值与指纹库内的唯一标识的区域的特征及特征值匹配计算，返回指纹库中对应的经纬度信息。可实现精准定位，为后续决策提供依据。

Description

一种实现用户精准定位的智慧城市管理平台

技术领域

本发明涉及一种利用运营商数据实现用户精准定位的技术，尤其涉及的是一种实现用户精准定位的智慧城市管理平台。

背景技术

随着信息技术的不断发展，城市信息化应用水平不断提升，智慧城市建设应运而生。建设智慧城市在实现城市可持续发展、引领信息技术应用、提升城市综合竞争力等方面具有重要意义。

改革开放30多年以来，中国城镇化建设取得了举世瞩目的成就，尤其是进入21世纪后，城镇化建设的步伐不断加快，每年有上千万的农村人口进入城市。随着城市人口不断膨胀，城市病成为困扰各个城市建设与管理的首要难题，资源短缺、环境污染、交通拥堵、安全隐患等问题日益突出。为了破解城市病困局，智慧城市应运而生。由于智慧城市综合采用了包括射频传感技术、物联网技术、云计算技术、下一代通信技术在内的新一代信息技术，因此能够有效地化解城市病问题。这些技术的应用能够使城市变得更易于被感知，城市资源更易于被充分整合，在此基础上实现对城市的精细化和智能化管理，从而减少资源消耗，降低环境污染，解决交通拥堵，消除安全隐患，最终实现城市的可持续发展。

如果能够清晰了解、感知、获取城市中每个人的位置信息，对智慧城市的实现起着至关重要的作用，而要实现这个目的，当前可行的主流的方法就是借助电信运营商的数据，电信运营商作为大数据的重要拥有者，其数据具备数量体大、类型多、真实、准确的特点；借助此数据建设模型，能够有效实现绝大部分人的定位能力。

当前运营商最新主流的，能够提供全量用户较为准确位置能力的技术是基于MR的指纹定位技术；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。

基于MR的指纹定位技术的原理是：将实际地图根据一定距离，划分成连续的正方形栅格，然后将海量含有经纬度的MR数据点根据经纬度落入栅格中，提取每个栅格中的信息特征，建设成MR指纹库；对某条MR记录定位的过程为，提取这条MR数据的特征，然后与现有库中每个栅格的特征进行比较，计算欧式距离，以距离最小的栅格作为此条MR数据定位到的栅格，以栅格中心点作为定位经纬度；但是目前建库过程以及建成以后的更新、优化等工作都存在着诸多缺陷，导致定位的准确性和实用性非常有限，主要缺陷及不足如下：

基于指纹库原理的传统定位产品或平台在建设过程中，数据落点的方法只是根据经纬度直接落入对应栅格，然而实际运营商数据中上报的经纬度数据是不够精确的，甚至很大一部分是误差很大，而直接根据有误差的经纬度落入对应栅格，会导致实际的数据点落入到了错误的栅格内，导致后续建库的提取特征、定位等过程形成严重干扰，非常影响指纹库的定位准确性。

基于指纹库原理的传统定位产品或平台在建设过程中，现有技术将地图划分成规则的大小相同的栅格，一个栅格内实际的地理情况复杂，可能涵盖地铁、道路、高架、不规则建设物、室外等多种环境，都会导致信号特征变化较大，影响建库准确性；以建筑物遮挡为例，如图1所示：图1中，区域1、2、3、4的信号特征会有明显差异，基于此栅格内的信号特征建设的指纹库，势必造成定位误差；如果将栅格划分更小、更细，理论上不管多小的栅格，都有这种情况存在，可以一定程度避免，无法完全避免，但越小的栅格划分势必导致建库难度、定位的效率(因库过大，比对次数变多)产生指数级影响，且因为过于细化，也可能导致实际建成的库失真，定位效果及精度变差。

基于指纹库原理的传统定位产品或平台在更新、优化过程中，原来指纹库的优化多是基于人工寻找误差准确性较差的进行优化，耗费大量人力且效果不理想；又因为小区覆盖每天都在变化，进一步要求指纹库要及时更新，现有的更新方式是积累一段时间数据，然后重新建库，更新周期长且建库完成以后需要重新优化；使用时循环往复整个重建、优化的过程，非常消耗人力物力且效率低，效果差；且每次优化后，定位准确的部分库无法保持，进而无法实现持续的优化迭代，导致定位效果无法实现越来越准。

基于指纹库原理的传统定位产品或平台在应用过程中，当实际应用需要知道用户所在位置是属于道路上或建筑物内等时，一个栅格可能包含道路、建筑物、其他等区域，代表用户实际位置也可能归属这几种区域任何一个，而目前只能根据返回的中心点作为判断依据，明显存在错误，导致很多后续的应用无法开展。

发明内容

本发明所要解决的技术问题在于：无法实现精准的定位，提供了一种实现用户精准定位的智慧城市管理平台。

本发明是通过以下技术方案解决上述技术问题的，本发明包括：

异常数据剔除模型，用于根据合理值，将异常数据剔除；

道路用户识别模型，用于将道路用户识别为速度较快的用户、等红绿灯的用户、以及道路上相似轨迹的用户；

室内用户识别模型，用于将室内用户识别出来；

GIS地图栅格划分模型，用于将需要划分的栅格确定范围，根据设定尺寸进行划分；

子栅格划分及标记属性模型，用于划分出所有室内属性的子栅格和道路属性的子栅格；

数据落点模型，用于将带有属性的数据点及栅格进行匹配，并将数据点落入对应的栅格内；

智能分群模型，用于根据信号特征，将用户分组，相似信号特征的用户分为一类；

建设指纹库模型，用于对每块区域内的特征及对应的特征值进行提取，建成指纹库；

自动优化模型，用于对指纹库进行实时自动更新；

定位算法模型，用于对MR原始数据点的特征及对应的特征值与指纹库内的唯一标识的区域的特征及特征值匹配计算，返回指纹库中对应的经纬度信息。

所述管理平台的数据源包括：

S1-U信令数据，含有用户发生业务时的具体的经纬度位置信息；

MR数据，包含用户信息、用户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、MR.Tadv；

小区切换数据，包含用户应用各小区之间切换的记录：当某一用户手机正在使用A小区作为主服务小区，当用户移动到A/B小区服务的边界线时，手机实时判断比较A/B的信号差异，当B小区信号更好时，手机后台会自动切换到B小区；此过程即完成了一次小区切换，此时信令会记录此切换过程；

小区配置数据，各小区的唯一标识、所在位置经纬度信息；

GIS建筑物数据，包含建筑物的边界点测绘数据，单个建筑物的测绘数据是按顺序排列的一系列闭合数据点集合；

GIS道路数据，含每条道路的测绘数据，单条道路路测数据是按顺序排列的一系列非闭合数据点集合。

所述异常数据剔除模型具体实现过程为：

(11)采集带有经纬度、用户标识的数据源，根据经纬度进行计算并排序；

(12)计算当前经纬度与小区位置之间的距离，设为D

(13)根据MR.Tadv值计算当前MR数据距离小区的距离；

(14)合理值计算方式如下：

当Dmin≤D≤Dmax时，合理值＝1，

当D＞Dmax时，合理值＝Dmax/D，

当D＜Dmin时，合理值＝Dmin/D；

(15)合理值＝1代表实际上报经纬度与小区的距离和与小区信号TA值测试的距离一致，为合理数据，所以|合理值-1|的值越大，此值越不合理，根据合理值，剔除经纬度不合理的异常数据。

所述道路用户识别模型具体实现过程如下：

(21)根据连续的两条记录中的经纬度计算出直线距离，同时根据连续的两条记录中的时间计算出时间差，用户直线速度；

(22)根据用户直线速度判断用户在某时间段内在道路上乘坐交通工具行驶；

(23)根据用户直线速度，筛选速度变化特征为由正常速度到零，再由零到正常速度的用户；

(24)找出上述用户中速度为零的时间段内的相关信息；

(25)剔除使用室内小区的记录，然后计算信号稳定度；

(26)根据信号稳定度判断用户在某时间段在道路上行驶过程中出现等待红绿灯的情况；

(27)找出已知的道路上的用户，以及在道路上对应时间段和轨迹；

(28)提取全量用户与已知道路用户相同时间段的切换轨迹特征，将提取的此批用户此时间段的切换轨迹特征与已知道路用户相同时间段的切换轨迹特征相比；

(29)如果提取的用户中相似的轨迹相关指标大于设定值的，认定提取的此批用户为已知的道路用户状态相同的道路用户。

所述室内用户识别模型的具体实现过程如下：

(31)用户使用室分小区信号时，认定用户在室内；

(32)当用户使用室外小区为主小区信号时，同一小区，相同TaDv值时，如果电平值分布有明显差异，则可根据差异数据分界线，选取电平值较差的部分用户为室内用户。

所述子栅格划分及标记属性模型的具体实现过程如下：

(41)设定待划分地图区域的栅格尺寸；

(42)利用GIS道路数据扩展，将道路数据的首尾相连，处理成封闭空间数据，从而实现GIS道路数据与GIS建筑物数据形式相同；

(43)计算道路或建筑物的封闭区域与栅格的交叉点，并把交叉点插入原始的封闭区间数据集中，得到新的封闭区域边界数据；

(44)根据新的封闭区域边界数据，计算出交叉子区域；

(45)然后计算出其他栅格内GIS数据点集合的关系，输出子区域集合，其中，道路数据与栅格数据的交集子区域为道路子区域，建筑物数据与栅格数据的交集子区域为室内子区域；

(46)如果整个栅格都在封闭区域内，则该栅格为对应封闭区域的子区域；

(47)汇总可得所有室内属性的子区域和道路属性的子区域。

所述数据落点模型的具体实现过程如下：

(51)根据经纬度落点进行匹配的规则如下：

对于位置和属性的完全匹配：

某属性的数据，如果根据经纬度落点，也落入到相同属性的子栅格内，则将此数据点落入到此子栅格，落点匹配成功，其他情况都认为落点匹配失败；

对于属性匹配、栅格位置拓展后匹配：

某属性的数据点，如果根据经纬度落点到同属性的栅格扩展后的范围内，也认为落点匹配成功；

对于属性匹配、位置就近匹配：

某属性的数据点，根据设定的合理范围，将此数据点落点到同属性的最近栅格的范围内，也认为落点匹配成功；

(52)选择落点匹配失败数据的处理规则：

直接抛弃：数据量较多时，只选择精准数据落点建库，其他数据直接抛弃；

不考虑属性，只用位置匹配：对数据点与栅格的属性不做要求，直接根据数据点的位置落点匹配对应的子栅格；

就近落点同栅格内固定属性子区域：在落点时指定落点到位置所在栅格的某类子区域。

所述智能分群模型的具体实现过程如下：

(61)以小区编码CellId为特征，选取满足特征选取条件的数据点数对应的小区编码CellId作为栅格的特征；

(62)将选取出来的特征进行电平值的添补处理；

(63)将数据以子栅格为单位，并将数据分为N个数据集进行聚类计算；

(64)根据聚类结果，分别提取这N个数据集的特征值；

(65)根据最新的数据集特征，建立指纹库。

所述自动优化模型的具体实现过程如下：

(71)选取一定量的测试数据，利用最新的MR指纹库进行定位；

(72)采集定位数据集和落点数据集；

(73)对异常特征数据进行识别规则挖掘、测试和验证；

(74)生成更新指令；

(75)自动更新优化形成新指纹库；

(76)进行循环更新验证。

所述定位算法模型的具体实现过程如下：

(81)提取MR原始数据点的特征及对应的特征值为：小区ID，电平值；

(82)找出MR原始数据点中的所有小区ID与每个子分区域中的小区ID相同的数量，找出匹配小区数量最多的子分区域；

(83)如果只有一个，则返回指纹库中此子分区域对应的经纬度，即为此条MR原始数据的定位位置；

(84)如果有多个，则选取匹配小区数据最多的N个子分区域，以匹配上的小区ID为标签，根据电平值字段，分别计算MR原始数据点与每个子分区域的欧式距离，找出距离最小的子分区域，返回指纹库中对应的经纬度信息，即为此条MR原始数据的定位位置。

本发明相比现有技术具有以下优点：

本发明的道路用户识别模型、室内用户识别模型、其他用户识别、GIS地图栅格划分模型、子栅格划分及标记属性模型、基于属性匹配的数据落点模型能够针对性解决了现有技术中数据落点困难的不足，在数据落点时，根据用户的行为特征、服务小区特征等信息，将用户的数据点标明属性、栅格亦根据GIS信息标明其属性。

然后制订一条包含属性匹配、区域扩展等方法的落点方案，可实现以下几个功能：可从用户行为特征的角度，有效剔除错误位置数据；可从用户行为特征的角度有效调整、修正错误数据；可灵活调整建库时的数据源，根据实际情况选择建库所有数据源的数量，保证在限定数据源数量的前提下，建设的指纹库更准确。

本发明的智能分群模型针对性解决了现有技术中栅格划分的不足，本发明在划分正常大小的栅格后，基于用户的信号特征，利用聚类算法(理论上，地理位置上相近的用户，信号特征亦是类似的)，将用户分组，相似信号特征的用户分为一类，分别提到信号特征，分组建库，有效避免了复杂多变的环境对MR指纹库造成的影响；即能不增加建库的难度，又可以灵活控制每个栅格分组的组数，让定位效率在可接受范围内，最终实现定位的效果更准确。

本发明的基于人工智能的自动优化、更新流程针对性解决了数据库更新缓慢，很难优化的缺陷。以大数据的统计分析结果为依据，综合判断，得出更新、优化建议。以包含更新和优化两大功能，首先作为最初建库的优化方法，基于大数据技术，效率高效果好，且实现全流程自动化，无需人工参与，极大节省人力资源计算资源等；其次作为后续指纹库的更新方法，比原有技术更方便更灵活、可自由选择一小时、一天、一周、一月等更新周期，实现小/中/大版本及时更新、随时发布，保证了更新的及时性和定位准确性。因流程机制是持续的迭代更新，无需重新建库，可保证前期优化后的优良的部分栅格库始终保持，持续积累，实现迭代优化的功能，随着不断的使用，定位效果越来越好。

本发明的道路用户识别模型、室内用户识别模型、其他用户识别、GIS地图栅格划分模型、子栅格划分及标记属性模型、基于属性匹配的数据落点模型等几大模块针对性解决了现有技术中无法分辨用户的具体位置的难题，在栅格划分时，与实际地理信息结合起来，将正常栅格区域与实际道路、建设物的区域进行交叉，找出重叠区域作为子区域，将道路重叠的子区域标记道路属性、将建设物重叠的子区域标记室内属性、将栅格剩余的区域作为一个子区域(可标记为其他)，然后将识别出属性的数据点，进行基于属性匹配的数据落点，将数据点合理的分配到对应的子区域，然后建库过程可对每个子区域分别提取特征值，建成MR指纹库；此时，再进行定位时，可将用户直接定位到这些子栅格内，返回子栅格中心点，即可确定了用户所在位置的属性，为后续的位置应用分析提供了带有属性的位置数据，让很多需要类似道路相关分析、室内相关分析等以属性的位置数为基础的应用分析的实现变成可能。

本发明基于运营商的数据，利用信号变化稳定性、移到速度、使用基站小区等特征，综合判断用户是否在道路或室内，并可识别部分道路的户的交通方式，为后续的道路拥堵、公交线路规划、城市交通规划、城市人流OD流向统计、室内人员特征分析、室内监控预警等工作提供核心数据支撑，让原来很多无法实现的工作变成可能。

附图说明

图1是现有技术中栅格内信号特征区域示意图；

图2是本发明的总体流程图；

图3是道路用户识别流程图；

图4是室内用户识别流程图；

图5是本发明的栅格子区域划分的流程图；

图6是交叉点插入后形成的心的区域边界示意图；

图7是封闭子区域确定的示意图；

图8是本发明的落点匹配流程图；

图9是智能分群的流程图；

图10是智能自动优化更新流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图2所示，本实施例包括：

异常数据剔除模型，用于根据合理值，将异常数据剔除；

室内用户识别模型，用于将室内用户识别出来；

自动优化模型，用于对指纹库进行实时自动更新；

本实施例的数据源如下：

S1-U信令数据：含有用户发生业务时的具体的经纬度位置信息(现在用户日常行为中会使用APP中，例如在使用地图定位、导航软件等APP时，这些APP会采集、上报用户的经纬度信息，运营商采集信令数据时可从中获取用户经纬度信息)

MR数据：包含用户信息、用户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、MR.Tadv(时间提前量，可以粗略认为是手机终端到小区之间信号传输的时长)等数据

小区切换数据：包含用户应用各小区之间切换的记录：当某一用户手机正在使用A小区作为主服务小区，当人员移动到A/B小区服务的边界线时，手机实时判断比较A/B的信号差异，当B小区信号更好时，手机后台会自动切换到B小区；此过程即完成了一次小区切换，此时信令会记录此切换过程。

小区配置数据：各小区的唯一标识、所在位置经纬度等信息

GIS建筑物数据：包含建筑物的边界点测绘数据，单个建筑物的测绘数据是按顺序排列的一系列闭合数据点集合。

GIS道路数据：包含每条道路的测绘数据，单条道路路测数据是按顺序排列的一系列非闭合数据点集合。

具体实施过程如下：

一、异常数据剔除模型

1、根据合理值，剔除经纬度不合理的异常数据，合理值计算方法如下:

(11)计算当前经纬度与小区位置之间的距离，设为D

(12)根据MR.Tadv值计算当前MR数据距离小区的距离,计算方法如下：

表1 Tadv值与最大和最小采样时间的关系表

Tadv值	Iin_Ts	Max_Ts
			0	0	16
1	16	32
			…	…	…
11	176	192
			12	192	224
…	…	…
			37	992	1024
38	1024	1280
			…	…	…
41	1792	2048
			42	2048	3072
43	3072	4096
			44	4096	-

根据通信知识可以得出，如表1所示，从表1中从0到192Ts每16Ts为一个区间，对应MR.Tadv.0到MR.Tadv.11；从192Ts到1024Ts每32Ts为一个区间，对应MR.Tadv.12到MR.Tadv.37；从1024Ts到2048Ts每256Ts为一个区间，对应MR.Tadv.38到MR.Tadv.41；从2048Ts到4096Ts每1048Ts为一个区间，对应MR.Tadv.42和MR.Tadv.43；大于4096Ts为一个区间，对应MR.Tadv.44。

Ts的定义：TS，Ts＝1/(15000x 2048)s。Ts是LTE中OFDM符号FFT大小为2048点的采样时间(分辨率)，即OFDM时域符号持续时间为2048Ts＝1/15kHz。

Ts的距离换算：1Ts＝(1/(15000x 2048)s)*3*108m/s/2≈4.89m

根据表格中的规律，可以找出Tadv值对应的最大最小Ts值，然后距离计算公式如下：

最小距离＝Min_Ts值*4.89m

最小距离＝Max_Ts值*4.89m

备注：当MR.Tadv≥44时，信号已经非常偏远，可人为设定一个合理的最大范围。

(13)合理值计算方式如下：

当D-min≤D≤D-max时，合理值＝1

当D＞D-max时，合理值＝D-max/D

当D＜D-min时，合理值＝D-min/D

(14)合理值＝1代表实际上报经纬度与小区的距离和与小区信号TA值测试的距离一致，为合理数据，所以|合理值-1|的值越大，此值越不合理。但因无线信号会受建筑物折射影响，造成曲线传播，所以距离D-max及D-min可能是曲线距离，理论上距离应该略大于等于D，所以实际应用过程中，可根据实际场景自定义合理值取值范围。

二、道路用户识别模型

如图3所示，识别的道路用户主要分以下三类：

1、速度比较快的用户

功能介绍：当速度大于某个值时，认为正常人类在步行/骑行无法达到时，再排除定位错误数据，持续一段时间的稳定的高速移动，认为是乘车(火车、地铁等亦算在内)在道路上行驶。

详细步骤：

(11)找出S1-U中，包含经纬度的记录，按用户、时间排序；

(12)根据连续的两条记录中的经纬度,计算出直线距离；

(13)根据连续的两条记录中的时间，计算出时间差；

(14)最小移动速度＝直线距离/时间差；

(15)设定速度最大值、最小值(用户自定义)，得出某用户在某时间段内在道路上。

2、等红绿灯的用户

功能介绍：道路上的用户除了高速行驶，还存在等红绿灯等情况；此时用户有以下三个特征：速度特征，此时用户直线速度会呈现由正常速度快速变为零、一定时间内,又变回正常速度的过程(特殊情况暂不考虑)；使用的主服务小区特征，此过程中用户一直在车内(道路上)使用小区亦是道路附近且不可能是室内小区；小区信号变化特征，当停止不动时，信号变化应趋于稳定；所以通过以上各种行为特征，综合识别在道路上的用户。

详细步骤：

(21)找出速度由正常速度变为零、一定时间内，又变回正常速度的记录；

(22)找出上述用户中速度为零的时间段内的相关信息；

(23)剔除使用室内小区的记录；

(24)将此过程中相邻两条MR数据进行比较，得出信号稳定度.

(241)为方便描述公式，两条MR数据中，设前一条MR记录为A记录，设后一条MR为B记录，将A记录中出现的所有小区根据电平值大小按降序排序，然后截取前N(自定义)个小区进行计算，对应的计算方法如下：

注1：如B记录中未找到对应的小区则此小区的电平值设为零

注2：影响因子1+影响因子2+影响因子3+…+影响因子N＝1

注3：A记录是小区电平值越高，对应的影响因子应该越大(因电平值较小，代表信号的传输距离较远，传输过程中受漂移、折射、阻挡等环节较多，对应的可信度越低，故电平值越大，可信度越高，对应的影响因子应该越大)。

(243)稳定度为0可认为无变化，稳定度越大则越不稳定；

(25)根据实际场景，设定信号稳定度阀值，得出用户在某时间段内在道路上。

3、确定在道路上用户的相似轨迹用户

功能介绍：基于以上两种办法可以有效识别部分道路用户，但是实际数据中包含经纬度的用户量占比较少，导致识别的用户量有限，此时我们考虑已经识别到的道路用户与同车(公交车、大巴车、拼车)、同驾驶路线等用户的部分特征应呈现相似性，车辆在行驶过程中快速移动，为保证手机信号稳定可用，必然会产生小区的频繁切换，所以以多用户同大巴车为例，此过程应该呈现相似性，当识别出用户A在道路上，则用户A的在T1时由小区C1切换到C2,则大巴上其他用户亦会在T1时刻前后几秒内切换；根据此规律可根据海量的道路用户，识别出更多道路用户，达到可应用的目的。

详细步骤：

(31)根据之前的步骤，找出已知的道路上的用户，以及在道路上对应时间段和轨迹；

(32)找出道路上用户、对应在道路上的时间段内的小区切换记录，按用户、时间排序，结果设为道路轨迹数据集；

(33)将全量用户的小区切换记录按用户、时间排序，结果设为所有轨迹数据集；

(34)设定相似用户匹配参数：冗余时长、最小相似切换次数、最短相似时长；

(341)冗余时长：两个时间点相比，当第二个时间点-冗余时长<第一个时间点<第二个时间点+冗余时长时，则认为两个时间点相同；

(342)最小相似切换次数：两条相比较的轨迹，连续切换相似的次数；

(343)最短相似时长：两条相比较的轨迹，最短的相似时长；

(35)根据上一步的参数，比对道路轨迹数据集与所有轨迹数据集中用户切换轨迹，找出相似的轨迹，满足以下三个条件则认为两个用户轨迹相似：

(351)至少有连续的N次切换记录相似，N≥最小相似切换次数；

(352)连续相似的切换记录最大时间-连续相似切换记录最小时间≥最短相似时长；

(353)相似的切换判读规则如下：从道路轨迹数据集中，选取A用户的轨迹记录，可按时间顺序拆分为N个连续的切换记录；从所有轨迹数据集中，选取B用户的轨迹记录，可按时间顺序拆分为N个连续的切换记录；

A用户的某条切换记录的切换前小区、切换后小区与B用户某条记录的切换前小区、切换后一致；

A用户的此条切换记录的切换时间-冗余时长<B用户此条切换记录的切换时间<A用户的此条切换记录的切换时间+冗余时长；

同时满足以上两个条件，则认为此次切换记录相似；

(354)如果两段轨迹相似，则认为从所有轨迹数据集中的抽取的这段轨迹中的用户为道路用户。

三、室内用户识别模型

如图4所示，本实施进行室内用户识别的过程如下：

1、使用室分小区用户识别：根据现在电信网络覆盖的现状，很多大型楼宇建筑，都有专门的室内分布小区，而在室外时，这部分室分小区的信号很弱(用户在室外时，会使用信号更好的室外小区作为主小区)，所以当用户使用室分小区时，可认为此时用户在室内。

2、使用室外小区用户识别：因现有电信网络信号，受建筑物阻挡时，损耗非常严重，所以室外小区在相近距离的位置，室内外电平值会有明显差距；所以当用户使用室外小区为主小区时，同一小区，相同TaDv(此值相同则与距离接近)时，如果电平值分布有明显差异(差异水平自定义)，则可根据差异数据分界线，选取电平值较差的部分用户(选取占比自定义)为室内用户；差异数据分界线可参加如下方法：

当电平值分布存在明显差异时，首先剔除前N条，后N条数据(屏蔽异常数据差异)，然后再根据剔除后的数据取前M个条数据，后M条数据，各计算出平均值；则差异数据分界线＝(前M条数据平均值+后M条数据平均值)/2。

四、其他用户识别

全量数据经过不合理模型剔除后，除道路用户、室内用户以外的其他用户标记为其他用户。

五、GIS地图栅格划分

1、确定栅格划分总范围：确实需要划分栅格的范围，找出此范围内的最大经度、纬度、最小经度、纬度，分别设为X_max,Y_max,X_min,Y_min；

2、选取起始点：选取最小经度、最小纬度为起始点，则为X_min，Y_min；

3、设定栅格的长和宽：设置栅格的横向长度及纵向长度，分别计算出此长度对应的经纬度值(使用现有常规方法即可)，分别设为a,b；

4、具体进行划分。

六、子栅格划分及标记属性

如图5所示，本实施例的具体过程如下：

1、用户设定待划分地图区域栅格的长和宽，默认划分栅格的长和宽相等；

2、GIS道路数据扩展，将道路数据的首尾相连，处理成封闭空间数据(如果道路数据只是道路中心点连线，则是由多个点组成的一条线，并非道路的实际情况，就需要对道路数据向双边扩展N米，近似还原道路实际情况，然后依次连接扩展后的一系列点形成一个密闭的区域)；

3、处理后的道路数据即为密闭的区域，与建筑物的数据形式相同，所以后续把道路和建筑物看成同一类型数据进行相同方法操作；

4、为计算出道路或者建筑物与栅格的交叉区域，先计算出道路或者建筑物的封闭区域与栅格的交叉点，并把这些交叉点插入到原始的封闭区间数据集中，即可得出新的区域边界数据。如图6所示；

原始的封闭区域Area1的点顺序为A-B-C-D-A，由线段AB、BC、CD、DA可以分别计算出它们与栅格的交点，即图示中的红色点，依次把红色的点插入到A-B-C-D-A中，得到A-P1-P2-P3-P4-P5-P6-B-P8-P9-P10-P11-C-P12-P13-P14-P15-D-P16-A这样一个新的封闭区域；

5、根据新的封闭区域边界数据，计算出交叉子栅格；以上图示例栅格为例，A点作为起始点，确定A点所属于的栅格id及在栅格边上的点P1、P16。如图7所示：

如何确定一个封闭子栅格的步骤如下：

(51)由于A、P1、P16存在顺序关系，从A点出发，A的下一个点是P1，连接AP1，AP1即为封闭子栅格的一条边；

(52)从P1点出发，由于栅格顶点V1在Area1所属的封闭区域内而V4不在Area1所属的封闭区域内，P1->V1是可以连通，P1->V4无法连通,所以连接P1V1，P1V1为封闭子栅格的一条边；

(53)从V1出发，V1P1虽可以连通，但是P1V1已添加到子栅格中，V1只能连接V1V2这条边上的点，由于V1V2这条边上只有V2且V2点在Area1内，所以连接V1V2，P1V1为封闭子栅格的一条边；

(54)从V2出发，由于V2V1这条路已遍历过，所以只能连接V2P16这个点；

(55)从P16点出发，V4不在Area1所属的封闭区域内，P16->V4无法连通，所以连接P16A；

(56)栅格内所有点遍历结束，形成A-P1-V1-V2-P16-A子栅格。

6、按以上步骤，计算其它栅格内GIS数据点集合的关系，输出子栅格集合，其中道路数据与栅格数据的交集子栅格为道路子栅格，建筑物数据与栅格数据的交集子栅格为建筑物子栅格又称为室内子栅格；

7计算出整个栅格都在封闭区域内的情况，则这个栅格即为对应封闭区域的子栅格，计算过程如下：

(71)找出这个封闭区域周边一定范围内的栅格；

(72)计算是否有某个栅格四个顶点全部属于这个封闭区域内，如果满足此条件，则此栅格为这个封闭区域的子栅格；

(73)重复上一步，找出这个封闭区域的所有这种子栅格；

将以上两步的结果汇总，即得出所有室内属性的子栅格和道路属性的子栅格。

七、基于属性匹配的数据落点模型

将带有属性的数据点及栅格进行匹配，匹配过程中根据属性标识、位置等信息可制订多种落点匹配规则，然后对匹配失败的数据亦可选择处理规则，保持灵活性；实际生产过程中，因不同属性的数据标识，信号特征特性不同，数据量亦有差异等，所以可根据每类属性数据的情况，选择不同的规则进行落点匹配规则和剩余数据处理规则，可充分发挥每类数据的价值，灵活适配每类数据，让库更完善，更符合实际情况；如图8所示：

1、选择落点匹配规则

(11)位置、属性完全匹配

某属性的数据，如果根据经纬度落点，也落入到相同属性的子栅格内，则将此数据点落入到此子栅格，落点匹配成功，其他情况都认为落点匹配失败；此选项对数据要求严格，适合数据量较多的情况。

实施步骤：

(111)计算数据点归属栅格：

根据栅格的长、宽，计算得出相同距离对应的经度值，设为X1、纬度值，设为Y1；

计算数据点经度与某个栅格顶点的经度差值,X2；

计算数据点维度与某个栅格顶点的纬度差值,Y2；

则根据X2/X1的值、X1的值，可推导出数据点所在栅格的几个顶点经度；

根据Y2/Y1的值、Y1的值，可推导出数据点所以栅格的几个顶点的纬度；

根据以上步骤，可计算出数据点归属的栅格(此计算方法，无需逐个经纬度点匹配，大大减少了计算量，如果栅格ID以几个顶点经纬度组合命名，可直接推导出栅格ID)；

(112)定位是否属于某个相同属性的子栅格：

找出此栅格内所有相同属性的子栅格；

逐个计算该数据点是否在此子栅格区域内(网上很多方法计算某个点是否在一个封闭区域内，可参加使用)，最终找出所属子栅格。

(12)属性匹配、栅格位置拓展后匹配

某属性的数据点，如果根据经纬度落点到同属性的栅格扩展后的范围内，也可认为落点匹配成功，此选项可适当增加建库数据量。

实施步骤：

(121)计算数据点归属栅格：

(122)定位是否某个属于相同属性的子栅格；

(123)找出归属的拓展后子栅格：

计算数据点与所有同属性子栅格所有边界点的距离，设为A；

找出A<设定的拓展距离的所有边界点；

选择最小的A，找出对应的边界点归属的子栅格，模糊认为A数据点属于此子栅格的拓展范围；

如没有A<设定的拓展距离的所有边界点，可认为此数据点匹配失败。

(13)属性匹配、位置就近匹配(一定范围内)

某属性的数据点，根据设定的合理范围，将此数据点落点到同属性的最近栅格的范围内，也可认为落点匹配成功，此选项可进一步增加建库数据量。

实施步骤：

(131)计算数据点归属栅格；

(132)找出此栅格一定范围内的周边所有栅格

因栅格的长、宽固定，可根据此栅格的几个顶点推测出来周边的栅格；

(133)定位是否某个属于相同属性的子栅格；

(134)上一步如果未匹配成功，则找出以上两步所有栅格的相同属性子栅格；

(135)找出最近位置的子栅格：

计算数据点与上一步找出的子栅格的每个边界点的距离，找出最近的边界点，即认为此数据点归属此子栅格。

2、选择落点匹配失败数据的处理规则

(21)直接抛弃

本选项适用于，数据量较多时，只选择精准数据落点建库，其他数据直接抛弃，尽量避免错误信息干扰。

实施步骤：直接将未匹配的数据抛弃。

(22)不考虑属性，只用位置匹配

对数据点与栅格的属性不做要求，直接根据数据点的位置落点匹配对应的子栅格。

实施步骤：

(221)计算数据点归属栅格；

(222)定位数据点是否属于某个子栅格；

(23)就近落点同栅格内固定属性子区域

此选项是指，在落点时指定落点到位置所在栅格的某类子区域。

实施步骤：

(231)计算数据点归属栅格；

(232)找出此栅格中的指定属性子栅格：

如果指定属性子栅格只有一个，将数据直接归属此子栅格；

如果指定属性子栅格有多个，选择就近原则落入。

八、智能分群模型

如图9所示，具体实施过程如下：

1、栅格内特征选取

选出更能符合小区实际覆盖情况的信号特征，对异常特征进行剔除，以减少或屏蔽异常特征的影响。

以小区编码(CellId)为特征，首先统计出某栅格内数据点总数，设为n，然后统计出包含每个CellId的数据点数，设为d₁、d₂、d₃、…；因为如某栅格内的大量数据点都不包含某特征，说明很大概率此栅格无此特征，可剔除此特征，所以可得出特征选取公式：d/n>x(x为自定义)，则此k对应的CellId可作为此栅格的特征。

2、特征完善处理

不同的数据点之前只有部分特征相同，如不进行补充完善，则互相之间无可比性，无法实现分类的目的；所以需要将选取出的数据特征进行修补、完善等，进一步还原实际场景并处理成具有相同的特征格式，利用现有成熟聚类算法实现分群的目的。

预处理的步骤如下：

(21)设栅格选取出来的特征(CellId)数为m个，按照排序，分别记为c₁、c₂、c₃、…、c_m，每个CellId所含的数据点数分别为d₁、d₂、d₃、…、d_m,每个CellId所对应的rsrp总和sum(rsrp)＝rsrp₁、rsrp₂、rsrp₃…、rsrp_m，对于每个数据点，大部分只包含部分的CellId，为了能够对所有数据点进行有效分类，需要将数据点缺失的CellId进行添补，主要添补的为缺失的CellId的rsrp，CellId+Rsrp可组成一组可相互比较的特征，规则说明如下。

(22)添补规则参考以下两个原则：

采集原理原则：因原始数据的采集原理是，采集记录每个数据点的最好的X个电平值及对应的CellId(有时可能出现信号漂移现象，无法非常准确体现实际情况，可利用大量的数据现象屏蔽异常数据)，所以缺失的CellId很大概率是电平值较小的。

聚类算法分类原理原则：为缺失的CellId添加rsrp的是最主要目的就是为了能够使用聚类算法，将所有数据点进行准确分类，所以理论上添加的值与正常的值应该存在明显差异，要能在使用聚类算法计算欧式距离时，有效体现距离差距，方可实现分类目的，所以添补值要与当前值存在差异。

基于以上两个原则，可定义添补的主要规则如下：

假设某数据点缺失的CellId为c_i，首先，计算d_i与数据点总数N的比值p_i＝d_i÷N,计算c_i电平值的平均值avg(rsrp)_i＝rsrp_i÷d_i，那么添补Rsrp的公式为：Rsrp_补＝avg(rsrp)_i×w_i

其中w_i的值可设为某个定值(比如：0或者0.1等)，也可参考p_i值的大小来确定，因p_i越大，代表具备对应CellId特征的数据点越多，代表此CellId特征在此栅格内越明显，故可自定义w_i(为体现与现有值的差异，应远离1)与p_i的如表2：

表2w_i与p_i的关系表

p<sub>i</sub>	w<sub>i</sub>
		p<sub>i</sub>≥z1	A1
z2≤p<sub>i</sub>≤z3	A2
		…	…
p<sub>i</sub>≤zn	An

下面举例说明：假设有3个数据点，分别为：

1)[10001 50.24|10002 49.23|10003 38.79]

2)[10001 51.34|10002 45.23|10004 37.89]

3)[10002 48.28|10003 39.24|10004 36.79]

其中10001、10002、10003和10004表示小区CellId，后面的值表示rsrp(电平强度)，rsrp越大信号越好。可以看出这三个数据点的格式并不统一，第一个点只包含10001、10002和10003三个cgi，不包含10004，第二、三个点也是如此，第二个点不包含10003，第三个点不包含10001，对于10001来说，p₁＝2/3，avg(rsrp)₁＝(50.24+51.34)/2＝50.79，假设权重w₁为0.5，所以缺失10001应该添补的rsrp值为50.79×0.5＝25.40，(由于10002每条数据都含有，所以就不存在添补了)同理缺失10003应该添补(38.79+39.24)/2×0.5＝19.51，缺失10004应该添补(37.89+36.79)/2×0.5＝18.67，添补后的数据如下：

1)[10001 50.24|10002 49.23|10003 38.79|10004 18.67]

2)[10001 51.34|10002 45.23|10003 19.51|10004 37.89]

3)[10001 25.40|10002 48.28|10003 39.24|10004 36.79]

3、将数据以子栅格为单位，输入主流聚类算法，将现在数据分成N(自定义)个数据集(具体步骤参考K均值聚类算法)；

4、根据聚类结果，分别提取这N个数据集的特征值；

5、根据最新的数据集特征，建设指纹库。

九、建设指纹库

建设指纹库的过程，就是提取每块区域(子区域ID+分组ID唯一标识一块区域)内的特征(小区ID)及对应的特征值(小区电平值)，提取主要步骤如下：

1、(以一个子区域ID+分组ID为例)找出所有数据点经纬度数据，求出经度平均值、纬度平均值；

2、(以一个子区域ID+分组ID为例)找出所有数据点携带的小区ID及对应的电平值；

3、(以一个子区域ID+分组ID为例)求出此区域内每个小区ID及对应的平均电平值；

4、重复以上步骤，求出所有区域的小区ID、平均电平值；

5、汇总以上经度平均值、纬度平均值、小区ID、平均电平值等所有数据，加上其对应的子区域ID、分组ID等字段，建成指纹库。

十、基于人工智能的自动优化、更新流程

结合大数据分析、定位原理、建库原理及现有的更新优化流程，设计了一套特色的自动更新、优化流程，即可实现指纹库的定位效果优化，又可实现指纹库的实时、高效的自动更新。如图10所示：

1、选取一定量测试数据、利用最新MR指纹库进行定位

使用已知经纬度的MR数据，用最新的指纹库进行智能定位。

(11)选取一条MR记录，从现有指纹特征库中找出所有与当前MR特征相关的栅格库；

(12)计算当前MR与每一条栅格库的匹配特征数；

(13)找出匹配特征数最大的N个栅格，计算当前MR与这N个栅格的欧式距离；

(14)找出这N个栅格库中，欧式距离最小的栅格库；

(15)认为此栅格库的中心点即为此条MR位置；

(16)重复以上步骤，定位出所有MR的位置。

2、采集定位数据集、落点数据集

修改定位算法，记录、存储每一步的过程(匹配具体特征、匹配特征数、欧式距离等)及定位的结果数据，记为定位数据集；将所有测试MR数据，根据已知经纬度进行落点到栅格(步骤和建库时落点方法一致)，记录、存储MR的具体特征、落入栅格的特征等数据，记为落点数据集。

3、异常特征挖掘识别

对定位结果及主要过程数据进行大数据统计分析、基于整体指纹库原理及海量数据的分析结果，挖掘指纹库中的异常特征。

制订识别规则原则：

(31)以大量数据统计结果为依据，即可屏蔽个别异常MR数据的影响，又可减少不同栅格库之前的关联影响；

(32)从建库原理、定位原理、定位结果三个角度挖掘异常特征识别规则；

(33)全部规则类型包括：增加特征、删除特征、修改特征；

具体案例：

从定位数据集中，统计定位到S栅格库中的所有MR记录，其中因A1特征定位准确记录数X个，因A1特征定位不准确记录数Y条。(准确、不准确判定条件可自定义)；

特征规则：Z＝Y/(X+Y)；

当Z>B(B自定义)时，认为S栅格库中A1特征有异常，执行删除操作；

当C(C自定义)<Z<B时，认为S栅格库中A1特征有异常，执行修改操作；

从落点数据集中，统计落点到S栅格的所有MR记录，记为N条，其中MR记录中A2特征出现M次，落点到的栅格中无A2特征；

特征规则：L＝M/N；

当L>K(K自定义)时，认为S栅格库中A2特征有异常，执行添加操作。

4、智能生成更新指令，根据异常特征，自动生成更新指令。

5、自动更新/优化指纹库

根据自动生成的(增加、删除、修改)更新指令，根据规则类型(增加、删除、修改)，按一定顺序(自定义)，依次对指纹库进行对应特征值操作，生成新的指纹库；

6、循环更新/验证

循环1-5步骤，然后测试每条异常特征识别规则的效果(根据定位结果评估)，记录每条规则的相关效果，后续根据场景，选择对应规则，自动循环执行。

当测试数据为建库数据(旧数据)时，通过各规则、参数的灵活配置，可持续循环自动优化现有指纹库。

当测试数据为新数据，通过各规则、参数的灵活配置，可实现指纹库的高效智能更新。

十一、定位算法

1、提取MR原始数据点的特征及对应的特征值，主要为：

小区ID_1,电平值

小区ID_2,电平值

小区ID_n,电平值

2、与库中每个以子区域ID+分组ID为唯一标识的区域(以下简称子分区域)的特征及特征值匹配计算，返回某个子分区域对应的经度平均值、纬度平均值，即为此数据的经纬度座标点，具体匹配计算方法如下：

(21)计算小区ID匹配数据量：找出MR原始数据点中的所有小区ID与每个子分区域中的小区ID相同的数量，找出匹配小区数量最多的子分区域；

(22)如果只有一个，则返回指纹库中此子分区域对应的经纬度，即为此条MR原始数据的定位位置。

(23)如果有多个，则选取匹配小区数据最多的N个子分区域，以匹配上的小区ID为标签，根据电平值字段，分别计算MR原始数据点与每个子分区域的欧式距离，找出距离最小的子分区域(如果有多点个，可随机选取一个)，返回指纹库中对应的经纬度信息，即为此条MR原始数据的定位位置。

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

1.一种实现用户精准定位的智慧城市管理平台，其特征在于，包括：

异常数据剔除模型，用于根据合理值，将异常数据剔除；

室内用户识别模型，用于将室内用户识别出来；

自动优化模型，用于对指纹库进行实时自动更新；

2.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述管理平台的数据源包括：

小区配置数据，各小区的唯一标识、所在位置经纬度信息；

3.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述异常数据剔除模型具体实现过程为：

(12)计算当前经纬度与小区位置之间的距离，设为D

(13)根据MR.Tadv值计算当前MR数据距离小区的距离；

(14)合理值计算方式如下：

当Dmin≤D≤Dmax时，合理值＝1，

当D＞Dmax时，合理值＝Dmax/D，

当D＜Dmin时，合理值＝Dmin/D；

4.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述道路用户识别模型具体实现过程如下：

(21)根据连续的两条记录中的经纬度计算出直线距离，同时根据连续的两条记录中的时间计算出时间差，获得用户直线速度；

(24)找出上述用户中速度为零的时间段内的相关信息；

(25)剔除使用室内小区的记录，然后计算信号稳定度；

5.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述室内用户识别模型的具体实现过程如下：

(31)用户使用室分小区信号时，认定用户在室内；

6.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述子栅格划分及标记属性模型的具体实现过程如下：

(41)设定待划分地图区域的栅格尺寸；

(44)根据新的封闭区域边界数据，计算出交叉子区域；

(47)汇总可得所有室内属性的子区域和道路属性的子区域。

7.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述数据落点模型的具体实现过程如下：

(51)根据经纬度落点进行匹配的规则如下：

对于位置和属性的完全匹配：

对于属性匹配、栅格位置拓展后匹配：

对于属性匹配、位置就近匹配：

(52)选择落点匹配失败数据的处理规则：

8.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述智能分群模型的具体实现过程如下：

(62)将选取出来的特征进行电平值的添补处理；

(64)根据聚类结果，分别提取这N个数据集的特征值；

(65)根据最新的数据集特征，建立指纹库。

9.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述自动优化模型的具体实现过程如下：

(71)选取一定量的测试数据，利用最新的MR指纹库进行定位；

(72)采集定位数据集和落点数据集；

(73)对异常特征数据进行识别规则挖掘、测试和验证；

(74)生成更新指令；

(75)自动更新优化形成新指纹库；

(76)进行循环更新验证。

10.根据权利要求1所述的一种实现用户精准定位的智慧城市管理平台，其特征在于，所述定位算法模型的具体实现过程如下：