CN110351734A - 基于移动终端数据实现预测小区位置的方法 - Google Patents

Abstract

本发明涉及一种基于移动终端数据实现预测小区位置的方法，该方法首先采集一段时间内终端上报带有位置的无线环境数据S1，其记录包含RSRP、TA等重要字段；然后从上述采集到的S1数据中筛选出TA等于0的且RSRP最强的无线环境数据S2，再把数据S2投放在一个平面P1上，并采用聚类技术清洗掉边缘稀疏的记录点以形成新的平面P2，再计算出新的平面P2中心坐标(lon，lat)，其坐标即可作为是所预测的小区位置Loc_cell。该方法实现运营商资管系统中小区位置数据的实时性纠偏以及小区位置的精准预测。

Description

基于移动终端数据实现预测小区位置的方法

技术领域

本发明涉及小区位置预测技术领域，具体涉及一种基于移动终端数据实现预测小区位置的方法。

背景技术

随着移动通信技术的发展，移动运营商也再不断地升级其自身网络，从2G到3G再到4G以及当下的5G建设，其建站密度愈来愈紧密，导致其站间距在不断减小，因此对网络规划和运维的技术要求也愈来愈高。

在网络规划和运维工作中，小区位置的数据对后续工作的影响至关重要，如用户投诉时，运维人员需要根据用户投诉的位置精准地定位出是哪些小区引起的。然而，在2G、3G、4G时代，资管系统中的小区位置数据的记录主要靠人工勘测，由于人为因素的存在，导致目前资管系统中的小区位置数据准确性不高，如小区位置偏差500米上记录占比到达26％之多。其导致的主要原因有，运维人员使用的GPS位置测量设备不够精准、使用的方法不正确、记录的错误、录入的错误以及人工的造假等。

另一方面，随着通信技术的进一步发展，用户的智能终端在使用的同时可上报大量带有位置的无线环境数据，申请人致力于对无线环境数据的分析应用来实现小区位置预测与纠偏，以解决上述存在的技术问题。

发明内容

本发明的目的在于克服现有技术中的缺陷，设计一种基于移动终端数据实现预测小区位置的方法，该方法通过数据清理以及建立数学模型，并采用机器学习的方式实现无线通信网络中小区位置预测与研判。该方法实现运营商资管系统中小区位置数据的实时性纠偏以及小区位置的精准预测。

为实现上述目的，本发明所采用的技术方案是，

一种基于移动终端数据实现预测小区位置的方法，包括

S10、采集设定时间段内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的位置数据包括参考信号接收功率RSRP、信号时延TA；

S20、在所述无线环境数据集S1的数据中，根据信息汇总的参考信号接收功率RSRP以及信号时延TA，筛选出参考信号接收功率RSRP值大的前5％及信号时延TA等于0的无线环境数据集S2，采用密度聚类算法对无线环境数据集S2进行聚类分析，获得聚类结果C；

S30、根据聚类结果C，去除噪声采样点后确定聚类小区覆盖信号的平面P2：

S40、根据平面P2计算其集合中心指标，即为小区位置Loc_cell；或者计算平面P2中信号最强方向的反方向的特定距离的坐标，即为小区位置Loc_cell。

进一步的，所述S10中的无线环境数据集S1的位置数据还包括时间、用户所在的经度、用户所在的纬度、小区经度、小区纬度。

更进一步的，所述S10中无线环境数据集S1的数据的为MDT、MR和OTT记录数据的一种或几种。

进一步的，所述S20中的密度聚类方法包括：

S21、初始化核心对象集合Ω＝φ，初始化聚类簇k＝0，初始化未访问样本集合Г＝D，D为用户参考信号接收功率RSRP构成的样本集，D＝(x1，x2，...，xm)，簇划分C＝φ；

S22、对于j＝1，2…m，按如下方法寻找核心对象：

通过距离度量方法，寻找xj的ε-邻域子样本集Nε(xj)；

如果子样本集样本个数满足|Nε(xj)|>＝MinPts，将样本xj加入核心对象集合：Ω＝Ω∪{xj}；

S23、核心对象集合Ω＝φ，算法结束，否则进入S24；

S24、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Г＝Г-{o}；

S25、如果当前簇核心对象队列Ωcur＝φ，则当前聚类簇Ck生成完毕,更新簇划分C＝{C1，C2…Ck}，更新核心对象集合Ω＝Ω-Ck，转入S23；

S26、在当前簇核心对象队列Ωcur中取出一个核心对象通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε△＝Nε∩Г，更新当前簇样本集合Ck＝Ck∪△，更新未访问样本集合Г＝Г-△，更新转入步骤转入S25；

S27、最后输出聚类结果C＝{C1，C2，…Ck}。

进一步的，所述S40中的平面P2计算其集合中心指标的方法：在经度方向上，取所有采样点经度的均值作为中心指标的经度；在纬度方向上，取所有采样点纬度的均值作为中心指标的纬度。

进一步的，所述S40中的特定距离为：市区取50m，郊区取100m。

本发明方法采用大数据和机器学习的技术实现了小区位置的精准预测。该方法可以做到城区小区偏差50米内预测精度达到96％，郊区小区偏差100米内预测精度达到97％。本发明方法的应用可实现运营商资管系统中小区位置数据的实时性纠偏，保证小区位置数据的相对准确，是一种廉价的小区位置勘测方案，其大大降低了因小区位置勘测带来的误差和人员车辆费用，为运营商的网络运维提供了一种行之有效的降本技术方案。

附图说明

图1为本发明方法的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明基于移动终端数据实现预测小区位置的方法的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

本发明一种基于移动终端数据实现预测小区位置的方法首先采集一段时间内终端上报带有位置的无线环境数据S1，其记录包含RSRP、TA等重要字段；然后从上述采集到的S1数据中筛选出TA等于0的且RSRP最强(如下述示例中的Top5％)的无线环境数据S2，再把数据S2投放在一个平面P1上，并采用聚类技术清洗掉边缘稀疏的记录点以形成新的平面P2，再计算出新的平面P2中心坐标(lon，lat)，其坐标即可作为是所预测的小区位置Loc_cell。

在一个具体的实施例中，如图1所示，本发明方法包括

S10、采集设定时间段(如连续30-60d)内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的位置数据包括参考信号接收功率RSRP、信号时延TA；

无线环境数据集S1的位置数据除上述参考信号接收功率RSRP、信号时延TA外，还包括时间、用户所在的经度、用户所在的纬度、小区经度、小区纬度；所述S10中无线环境数据集S1的数据的为MDT、MR和OTT记录数据的一种或几种。

S20、在所述无线环境数据集S1的数据中，根据信息汇总的参考信号接收功率RSRP以及信号时延TA，筛选出参考信号接收功率RSRP值大的前5％及信号时延TA等于0的无线环境数据集S2，采用密度聚类算法对无线环境数据集S2进行聚类分析，获得聚类结果C；

一些实例中，本发明密度聚类算法采用dbscan算法，具体的，该聚类方法包括：

S21、初始化核心对象集合Ω＝φ，初始化聚类簇k＝0，初始化未访问样本集合Г＝D，D为用户参考信号接收功率RSRP构成的样本集，D＝(x1，x2，...，xm)，簇划分C＝φ；

S22、对于j＝1，2…m，按如下方法寻找核心对象：

通过距离度量方法，寻找xj的ε-邻域子样本集Nε(xj)；

如果子样本集样本个数满足|Nε(xj)|>＝MinPts，将样本xj加入核心对象集合：Ω＝Ω∪{xj}；

S23、核心对象集合Ω＝φ，算法结束，否则进入S24；

S24、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Г＝Г-{o}；

S25、如果当前簇核心对象队列Ωcur＝φ，则当前聚类簇Ck生成完毕,更新簇划分C＝{C1，C2…Ck}，更新核心对象集合Ω＝Ω-Ck，转入S23；

S26、在当前簇核心对象队列Ωcur中取出一个核心对象通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε△＝Nε∩Г，更新当前簇样本集合Ck＝Ck∪△，更新未访问样本集合Г＝Г-△，更新转入步骤转入S25；

S27、最后输出聚类结果C＝{C1，C2，…Ck}。

S30、根据聚类结果C，去除噪声采样点后确定聚类小区覆盖信号的平面P2：该处所述噪声采样点指较为边缘离散点；

S40、根据平面P2计算其集合中心指标，即为小区位置Loc_cell；或者计算平面P2中信号最强方向的反方向的特定距离的坐标，即为小区位置Loc_cell。

基于平面P2计算集合中心指标的具体为：在经度方向上，取所有采样点经度的均值作为中心指标的经度；在纬度方向上，取所有采样点纬度的均值作为中心指标的纬度。

所述信号最强方向的反方向的特定距离在一些具体示例中限定为：在市区为50m，在郊区为100m。

本发明在某城市小区内设置60个测试点进行测试，在测试点分别设置智能终端进行带位置无线环境数据上报，通过本发明方法计算对应测试点的小区位置Loc_cell；并测试点的小区位置Loc_cell与实际的小区位置进行比较，本发明方法对城区小区偏差50米内预测精度达到96％。

在某郊区小区内设置75个测试点进行测试，在测试点分别设置智能终端进行带位置无线环境数据上报，通过本发明方法计算对应测试点的小区位置Loc_cell；并测试点的小区位置Loc_cell与实际的小区位置进行比较，郊区小区偏差100米内预测精度达到97％。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (7)

1.一种基于移动终端数据实现预测小区位置的方法，包括

S10、采集设定时间段内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的位置数据包括参考信号接收功率RSRP、信号时延TA；

S20、在所述无线环境数据集S1的数据中，根据信息汇总的参考信号接收功率RSRP以及信号时延TA，筛选出参考信号接收功率RSRP值大的前5％及信号时延TA等于0的无线环境数据集S2，采用密度聚类算法对无线环境数据集S2进行聚类分析，获得聚类结果C；

S30、根据聚类结果C，去除噪声采样点后确定聚类小区覆盖信号的平面P2：

S40、根据平面P2计算其集合中心指标，即为小区位置Loc_cell；或者计算平面P2中信号最强方向的反方向的特定距离的坐标，即为小区位置Loc_cell。

2.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S10中的无线环境数据集S1的位置数据还包括时间、用户所在的经度、用户所在的纬度、小区经度、小区纬度。

3.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S10中无线环境数据集S1的数据的为MDT、MR和OTT记录数据的一种或几种。

4.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S10中的时间段为连续30-60天。

5.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S20中的密度聚类方法包括：

S21、初始化核心对象集合Ω＝φ，初始化聚类簇k＝0，初始化未访问样本集合Г＝D，D为用户参考信号接收功率RSRP构成的样本集，D＝(x1，x2，...，xm)，簇划分C＝φ；

S22、对于j＝1，2…m，按如下方法寻找核心对象：

通过距离度量方法，寻找xj的ε-邻域子样本集Nε(xj)；

如果子样本集样本个数满足|Nε(xj)|>＝MinPts，将样本xj加入核心对象集合：Ω＝Ω∪{xj}；

S23、核心对象集合Ω＝φ，算法结束，否则进入S24；

S24、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o}，更新未访问样本集合Г＝Г-{o}；

S25、如果当前簇核心对象队列Ωcur＝φ，则当前聚类簇Ck生成完毕,更新簇划分C＝{C1，C2…Ck}，更新核心对象集合Ω＝Ω-Ck，转入S23；

S26、在当前簇核心对象队列Ωcur中取出一个核心对象通过邻域距离阈值ε找出所有的ε-邻域子样本集更新当前簇样本集合Ck＝Ck∪△，更新未访问样本集合Г＝Г-△，更新转入步骤转入S25；

S27、最后输出聚类结果C＝{C1，C2，…Ck}。

6.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S40中的平面P2计算其集合中心指标的方法：在经度方向上，取所有采样点经度的均值作为中心指标的经度；在纬度方向上，取所有采样点纬度的均值作为中心指标的纬度。

7.如权利要求1所述的基于移动终端数据实现预测小区位置的方法，其特征在于，所述S40中的特定距离的定义为：在市区，特定距离为50m；在郊区，特定距离为100m。