CN111343664A

CN111343664A - 用户定位方法、装置、设备及介质

Info

Publication number: CN111343664A
Application number: CN201811552264.2A
Authority: CN
Inventors: 王雨晴; 刘源; 方长钟; 万锋; 王玮
Original assignee: China Mobile Communications Group Co Ltd; China Mobile Group Jiangxi Co Ltd
Current assignee: China Mobile Communications Group Co Ltd; China Mobile Group Jiangxi Co Ltd
Priority date: 2018-12-18
Filing date: 2018-12-18
Publication date: 2020-06-26
Anticipated expiration: 2038-12-18
Also published as: CN111343664B

Abstract

本发明实施例提供一种用户定位方法、装置、设备及介质。方法包括：利用用户终端，形成MR数据；基于MR数据，提取预设时间段内归属于一个扇区的包含经纬度AGPS数据的MR测量点数据；收集MR测量点数据中主扇区和多个邻区的信号特征向量；将MR测量点的AGPS数据转化为MR测量点相对于接入扇区的距离和方位角；分别提取信号特征向量与距离、和方位角的关系，形成距离信道模型和方位角信道模型；收集MR采样点数据中主扇区和多个邻区的信号特征向量，MR采样点数据中不包含AGPS数据；基于距离信道模型和方位角信道模型，根据MR采样点数据中主扇区和多个邻区的信号特征向量，得到MR采样点的AGPS数据。利用上述方案，可以提高定位精度，并且对样本集的完备性要求不高。

Description

用户定位方法、装置、设备及介质

技术领域

本发明涉及通信技术领域，尤其涉及一种用户定位方法、装置、设备及介质。

背景技术

目前，基于长期演进(Long Term Evolution，LTE)扇区测量报告(MeasurementReport，MR)的定位方法主要包括三角定位方法和指纹定位方法。

但是，在三角定位方法中，由于每个扇区实际的传播模型(尤其是城区)非常复杂，存在许多建筑物的遮挡和反射，这将对三角定位法的结果造成严重的影响，进而使得定位精度差。

此外，针对指纹定位方法，一方面，要求完备的指纹库，在扇区覆盖的所有区域都应有指纹，这对于位于郊区的扇区几乎是不可能的；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。实际上，对于动辄拥有几十万扇区的运营商，要实现应用级的定位精度和定位效率几乎是不可能的。

综上所述，现有定位方法具有定位精度差、样本集不够完备等的缺陷。

发明内容

本发明实施例提供了一种用户定位方法、装置、设备及介质，相比三角定位具有更高的定位精度，且对样本集的完备性要求不高，也避免了指纹定位方法查询大规模指纹库的弊端。

第一方面，本发明实施例提供了一种用户定位方法，方法包括：

利用用户终端，形成测量报告MR数据；

基于所述MR数据，提取预设时间段内归属于一个扇区的MR测量点数据，其中所述MR测量点数据中包含经纬度AGPS数据；

收集所述MR测量点数据中主扇区和多个邻区的信号特征向量；

将所述MR测量点的AGPS数据转化为所述MR测量点相对于接入扇区的距离和方位角；

提取所述信号特征向量与所述距离的关系，形成距离信道模型；

提取所述信号特征向量与所述方位角的关系，形成方位角信道模型；

收集所述MR采样点数据中主扇区和多个邻区的信号特征向量，其中所述MR采样点数据中不包含AGPS数据；

基于所述距离信道模型和所述方位角信道模型，根据所述MR采样点数据中主扇区和多个邻区的信号特征向量，得到所述MR采样点的AGPS数据。

根据本发明所述的用户定位方法，所述方法还包括：

从所述MR测量点数据中剔除携带有异常AGPS的MR数据。

根据本发明所述的用户定位方法，所述方法还包括：

从所有邻区中选取对用户定位影响权重大于预设权重的所述多个邻区。

根据本发明所述的用户定位方法，所述从所有邻区中选取对用户定位影响权重大于预设权重的所述多个邻区，包括：

统计所述MR测量点数据中所有邻区出现的次数，并对所述所有邻区进行排序；

根据计算资源的大小，从所述所有邻区中去除排名靠后的预设数量的邻区，得到对用户定位影响权重大于预设权重的所述多个邻区。

根据本发明所述的用户定位方法，所述信号特征向量包括信号强度和/或信号质量。

根据本发明所述的用户定位方法，所述提取所述信号特征向量与所述距离的关系，形成距离信道模型，包括：

基于决策树和梯度下降的机器学习算法，提取所述信号特征向量与所述距离的关系，形成距离信道模型。

根据本发明所述的用户定位方法，所述提取所述信号特征向量与所述方位角的关系，形成方位角信道模型，包括：

基于决策树和梯度下降的机器学习算法，提取所述信号特征向量与所述方位角的关系，形成方位角信道模型。

根据本发明所述的用户定位方法，所述基于所述距离信道模型和所述方位角信道模型，根据所述MR采样点数据中主扇区和多个邻区的信号特征向量，得到所述MR采样点的AGPS，包括：

基于所述距离信道模型和所述方位角信道模型，根据所述MR采样点数据中主扇区和多个邻区的信号特征向量，分别得到所述MR采样点相对于主扇区的距离和方位角；

基于所述主扇区的AGPS、以及所述MR采样点相对于主扇区的距离和方位角，得到所述MR采样点的AGPS。

根据本发明所述的用户定位方法，所述方法还包括：

抽取预设数目扇区的携带有AGPS数据的MR数据，并将所述AGPS数据清除，得到已清除AGPS数据的MR数据；

根据指纹库和所述已清除AGPS数据的MR数据，计算AGPS数据；

将计算得到的AGPS数据与原始AGPS数据进行比较，得到偏差数据。

根据本发明所述的用户定位方法，所述方法还包括：

基于每个扇区，分别训练所述距离信道模型和所述方位角信道模型。

第二方面，本发明实施例提供了一种用户定位装置，装置包括：

形成模块，用于利用用户终端，形成测量报告MR数据；

第一提取模块，用于基于所述MR数据，提取预设时间段内归属于一个扇区的MR测量点数据，其中所述MR测量点数据中包含经纬度AGPS数据；

第一收集模块，用于收集所述MR测量点数据中主扇区和多个邻区的信号特征向量；

转化模块，用于将所述MR测量点的AGPS数据转化为所述MR测量点相对于接入扇区的距离和方位角；

第二提取模块，用于提取所述信号特征向量与所述距离的关系，形成距离信道模型；

第三提取模块，用于提取所述信号特征向量与所述方位角的关系，形成方位角信道模型；

第二收集模块，用于收集所述MR采样点数据中主扇区和多个邻区的信号特征向量，其中所述MR采样点数据中不包含AGPS数据；

AGPS模块，用于基于所述距离信道模型和所述方位角信道模型，根据所述MR采样点数据中主扇区和多个邻区的信号特征向量，得到所述MR采样点的AGPS数据。

根据本发明所述的用户定位装置，装置还包括：

剔除模块，用于从所述MR测量点数据中剔除携带有异常AGPS的MR数据。

根据本发明所述的用户定位装置，装置还包括：

选取模块，用于从所有邻区中选取对用户定位影响权重大于预设权重的所述多个邻区。

根据本发明所述的用户定位装置，选取模块具体用于：

根据本发明所述的用户定位装置，所述信号特征向量包括信号强度和/或信号质量。

根据本发明所述的用户定位装置，第二提取模块具体用于：

根据本发明所述的用户定位装置，第三提取模块具体用于：

根据本发明所述的用户定位装置，AGPS模块具体用于：

基于所述主扇区的AGPS、以及所述MR采样点相对于主扇区的距离和方位角，得到所述MR采样点的AGPS数据。

根据本发明所述的用户定位装置，装置还包括：

抽取模块，用于抽取预设数目扇区的携带有AGPS数据的MR数据，并将所述AGPS数据清除，得到已清除AGPS数据的MR数据；

计算模块，用于根据指纹库和所述已清除AGPS数据的MR数据，计算AGPS数据；

比较模块，用于将计算得到的AGPS数据与原始AGPS数据进行比较，得到偏差数据。

根据本发明所述的用户定位装置，装置还包括：

训练模块，用于基于每个扇区，分别训练所述距离信道模型和所述方位角信道模型。

本发明实施例提供了一种用户定位设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

本发明实施例提供的用户定位方法、装置、设备及介质，相比三角定位具有更高的定位精度，且对样本集的完备性要求不高，也避免了指纹定位方法查询大规模指纹库的弊端。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例的现有技术的三角定位法理想状态示意图；

图2示出了本发明实施例的现有技术的三角定位法的测距比实际值大状态示意图；

图3示出了本发明实施例的现有技术的三角定位法的测距比实际值小状态示意图；

图4示出了本发明实施例的用户定位方法的流程示意图；

图5示出了本发明实施例的用户定位装置的结构示意图；

图6示出了本发明实施例的算法处理的流程示意图；

图7示出了本发明实施例的指纹模型训练集数据示意图；

图8示出了本发明实施例的训练集方位角分布示意图；

图9示出了本发明实施例的训练集扇区距离分布示意图；

图10示出了本发明实施例的RSRP、RSRQ、TADV等因子对方位角值的影响权重示意图；

图11示出了本发明实施例MR中RSRP、RSRQ、TADV等因子对扇区距离值的影响权重示意图；

图12示出了本发明实施例的测试集示意图；

图13示出了本发明实施例的计算结果示意图；

图14示出了本发明实施例的叠加示意图；

图15示出了本发明实施例的偏移结果示意图；

图16示出了本发明实施例的定位算法偏差百分位数示意图；

图17示出了本发明实施例提供的用户定位设备的硬件结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，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描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了方便描述，首先将本文有可能涉及到的技术术语及其含义、算法的原理等罗列如下。

<测量报告>

测量报告(Measurement Report，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和MR的方式向基站周期性地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。所有基于MR的无线优化方法，其核心算法都是定位。

<三角定位法>

三角定位根据测量报告获取到的三个扇区的信号强度、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扇区信号在理想的传播模型中传输，主要的优点是所有扇区使用同一套模型，计算速度快。主要缺点是定位精度差，由于每个扇区实际的传播模型(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。

参考图1，图1示出了三角定位法理想状态示意图。

作为一个示例，设未知节点D的坐标为(x,y)，已知A、B、C三个点的坐标分别为(x₁,y₁)、(x₂,y₂)、(x₃,y₃)，A、B、C到D的距离分别为d₁、d₂、d₃，则D的坐标可以由公式(1)、(2)和(3)中的任意两个求得：

然而，在实际应用中，由于测量误差的存在，三圆交于一点的情况未必出线，以致方程无解。

例如，参考图2和图3，图2示出了三角定位法的测距比实际值大状态示意图；图3示出了三角定位法的测距比实际值小状态示意图。

<指纹定位法>

指纹定位的基本假设是扇区信号的传播模型足够复杂，每一个位置接受到的主扇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经纬度(Assisted GlobalPositioning System，AGPS)的MR，提取扇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MR经纬度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。

然而，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，在扇区覆盖的所有区域都应有指纹，这对于位于郊区的扇区几乎是不可能的；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扇区的运营商，要实现应用级的定位精度和定位效率几乎是不可能的。

<决策树>

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。

<梯度下降>

梯度下降算法(Gradient Descent Optimization)是神经网络模型训练最常用的优化算法。对于深度学习模型，基本都是采用梯度下降算法来进行优化训练的。

梯度下降算法的原理：目标函数J(θ)关于参数θ的梯度将是目标函数上升最快的方向。对于最小化优化问题，只需要将参数沿着梯度相反的方向前进一个步长，就可以实现目标函数的下降。这个步长又称为学习速率η。参数更新公式如下：

其中

是参数的梯度，根据计算目标函数J(θ)采用数据量的不同，梯度下降算法又可以分为批量梯度下降算法(Batch Gradient Descent)、随机梯度下降算法(Stochastic GradientDescent)和小批量梯度下降算法(Mini-batch GradientDescent)。

对于批量梯度下降算法，其J(θ)是在整个训练集上计算的，如果数据集比较大，可能会面临内存不足问题，而且其收敛速度一般比较慢。

随机梯度下降算法是另外一个极端，J(θ)是针对训练集中的一个训练样本计算的，又称为在线学习，即得到了一个样本，就可以执行一次参数更新。所以其收敛速度会快一些，但是有可能出现目标函数值震荡现象，因为高频率的参数更新导致了高方差。

小批量梯度下降算法是折中方案，选取训练集中一个小批量样本计算J(θ)，这样可以保证训练过程更稳定，而且采用批量训练方法也可以利用矩阵计算的优势。这是目前最常用的梯度下降算法。

<极端梯度提升算法>

极端梯度提升(eXtreme Gradient Boosting，XGBoost)是梯度增强机(GradientBoosting Machine)的一个C++实现，并能够自动利用中央处理器(Central ProcessingUnit，CPU)的多线程进行并行，同时在算法上加以改进提高了精度。

(1)首先得到学习目标，决策规则与决策树相同，在每个叶值中包含一个得分，预测每个叶片的得分。回归树集成，累加结果作为预测值，得到学习目标函数。

模型(假设决策树数量为k)：

目标函数：

我们不能使用诸如随机梯度下降法(Stochastic Gradient Descent，

SGD)之类的方法来找到F(因为它们是树，而不是数值向量)，所以在这里从常数预测开始，每次增加一个新函数。

其中，目标函数优化的是整体的模型，

是整个累加模型的输出，正则化项是所有树的复杂度之和。这种包含树的模型不适合直接用SGD等优化算法直接对整体模型进行优化，因而采用加法学习方法，boosting的学习策略是每次学习当前的树，找到当前最佳的树模型加入到整体模型中，因此关键在于学习第t棵树。

(2)定义目标函数，优化。

目标函数：

目标找到f(t)，使值尽可能小。

考虑损失的目标函数：

如图所示，第t轮的模型预测等于前t-1轮的模型预测

加上f(t)，因此误差函数项记为

后面一项为正则化项。在当前步骤，y_i以及

都是已知值，模型学习的是f(t)。

(3)对误差函数进行二阶泰勒近似展开

目标函数：

泰勒展开：

损失函数：

把平方损失函数的一二次项带入原目标函数，与之前的损失函数一致。通过这种近似，在保证二阶可导的情况下可以自定义一些损失函数，树分裂的打分函数是基于g_i，h_i计算的。

(4)得到了新的目标函数

目标函数保留了泰勒展开的二次项。

(5)重新定义每棵树

用叶子节点集合以及叶子节点得分表示，每个样本都落在一个叶子节点上q(x)表示样本x在某个叶子节点上，ω_q(x)是该节点的打分，即该样本的模型预测值。

f_t(x)＝ω_q(x),ω∈R^T,q:R^d→{1,2,...,T} (18)

(6)树的复杂度项

XGBoost算法中对树的复杂度项包含了两个部分，一个是叶子节点总数，一个是叶子节点得分L2正则化项，针对每个叶结点的得分增加L2平滑，目的也是为了避免过拟合。

(7)更新

定义示例集为：

I_j＝{i|q(x_i)＝j} (20)

根据叶结点重新组合目标函数：

(8)评价树结构

根据目标函数得到，用于切分点查找算法。

关于单变量的二次函数：

定义：

则目标函数为：

假定树的结构是固定的，每个叶中的最佳权重，以及由此产生的目标值为：

其中，

越大，则总体损失越小。

(9)切分点查找算法

根据Gain选择最优分割点。由切分后左右子树的得分之和减去未切分前该父结点的分数值，再减去引入附加叶的复杂度。

本发明实施例可提供一种用户定位方法，参考图4，图4示出了本发明实施例的用户定位方法400的流程示意图，该方法包括：

S410，利用用户终端，形成测量报告MR数据；

S420，基于MR数据，提取预设时间段内归属于一个扇区的MR测量点数据，其中MR测量点数据中包含经纬度AGPS数据；

S430，收集MR测量点数据中主扇区和多个邻区的信号特征向量；

S440，将MR测量点的AGPS数据转化为所述MR测量点相对于接入扇区的距离和方位角；

S450，提取信号特征向量与所述距离的关系，形成距离信道模型；

S460，提取信号特征向量与所述方位角的关系，形成方位角信道模型；

S470，收集MR采样点数据中主扇区和多个邻区的信号特征向量，其中MR采样点数据中不包含AGPS数据；

S480，基于距离信道模型和方位角信道模型，根据MR采样点数据中主扇区和多个邻区的信号特征向量，得到MR采样点的AGPS数据。

利用本发明提供的上述方案，通过将经纬度转化为距离和方位角，并且提取距离信道模型和方位角信道模型，可以提高定位精度，并且对样本集的完备性要求不高。

本发明实施例可提供一种用户定位装置，参考图5，图5示出了本发明实施例的用户定位装置500的结构示意图，该装置包括：

形成模块510，用于利用用户终端，形成测量报告MR数据；

第一提取模块520，用于基于所述MR数据，提取预设时间段内归属于一个扇区的MR测量点数据，其中所述MR测量点数据中包含经纬度AGPS数据；

第一收集模块530，用于收集MR测量点数据中主扇区和多个邻区的信号特征向量；

转化模块540，用于将MR测量点的AGPS数据转化为MR测量点相对于接入扇区的距离和方位角；

第二提取模块550，用于提取信号特征向量与距离的关系，形成距离信道模型；

第三提取模块560，用于提取信号特征向量与方位角的关系，形成方位角信道模型；

第二收集模块570，用于收集MR采样点数据中主扇区和多个邻区的信号特征向量，其中MR采样点数据中不包含AGPS数据；

AGPS模块580，用于基于距离信道模型和方位角信道模型，根据MR采样点数据中主扇区和多个邻区的信号特征向量，得到MR采样点的AGPS数据。

以下通过具体的实例，描述本发明实施例的可选的具体处理过程。需要说明的是，本发明的方案并不依赖于具体的算法，在实际应用中，可选用任何已知或未知的硬件、软件、算法、程序或其任意组合等来实现本发明的方案，只要是采用了本发明方案的实质思想，均落入本发明的保护范围。

在分析挖掘用户实时位置时，由于影响信号传输的因素有很多，不同环境下的信号传输损耗模型大不相同，因此建立一个准确的、适合实际应用的损耗模型难度较大，因此，基于三角算法的无线定位在具体实施中存在较大误差，对进一步的业务应用，例如位置服务、客户画像、客户营销等造成较大影响。

参考图6，图6示出了本发明实施例的算法处理的流程示意图。

作为一个示例，本发明实施例通过提取扇区的信道传输模型，在保证应用级的定位精度、样本集不够完备的情况下，剔除基于信道模型判定用户实时位置的方法，提取工参数据(XML)和MR数据(携带AGPS)，根据统计方法对MR数据中邻区信号进行整理的算法，将采样点经纬度的求解目标转化为求解采样点相对于主扇区的距离和方位角，采用基于决策树和梯度下降的机器学习算法(XGBoost)训练距离信道模型和方位角信道模型。将算法的计算量控制在可以承受的范围内，以保证算法的实用性。

以下对本发明实施例的具体处理过程进行详细介绍，具体如下：

首先，进行数据整理，数据整理的具体步骤，包括如下多个步骤：

第一步，筛选数据。

作为一个示例，筛选出一个扇区包含AGPS的MR数据，并累积至少一个月的数据从而获取足够多的样本。先采集小批量数据，通过批量验证和抽样验证的方案，判断位置计算能力的准确性。

参考图7，图7示出了本发明实施例的指纹模型训练集数据示意图，数据示例如下：

指纹模型训练采用如下两个华为基站移动性鲁棒性优化(Mobility RobustnessOptimization，MRO)数据进行：

F-eNodeB4790(957371)工程调测、F-eNodeB1649(640629)

原始数据日期为6月4日-6月12日，其中6月4日-6月11日(部分数据存在缺失情况)数据作为训练集，6月12日数据作为验证数据。

第二步，剔除异常数据。

作为一个示例，从样本集中剔除少量携带异常经纬度的MR数据，例如距离主扇区5公里以上的采样点(例如，4G基站扇区的覆盖范围一般在5公里以内)。

第三步，整理数据。

作为一个示例，按照如下规则对每条测量报告进行整理：

(1)统计样本集所有MR中所有邻区出现的次数并按次数对邻区进行排序，出现次数越多，排名越靠前，并为每一个邻区进行编号；

(2)信号特征向量可包含一个主扇区和至多500个邻区的信号强度、质量等信号特征，邻区从左至右依次进行编号；

(3)在(2)中信号特征向量可根据计算资源的多寡进行截短，由于邻区信号特征是按照出现次数的多少进行排序的，因此这种截短对算法定位精度影响较小；

(4)将(1)中整理的主扇区和邻区信号特征按(2)指定的规则进行进行整合，无信号的邻区字段置空，从而保证MR样本间同一个字段记录的是同一个扇区的信号特征，不会出现邻区信号特征错位的情况。

第四步，经纬度转化。

作为一个示例，将MR测量点的AGPS经纬度转化为该测量点相对于接入扇区的距离和方位角，将距离和方位角作为训练标签向量。

参考图8和图9，图8示出了本发明实施例的训练集方位角分布示意图；图9示出了本发明实施例的训练集扇区距离分布示意图。

其次，训练距离和方位角相对于信号特征向量的信道模型。

作为一个示例，第一步，采用基于决策树和梯度下降的机器学习算法(XGBoost)，分别提取信号特征向量与距离，信号特征向量与方位角的关系，形成距离信道模型和方位角信道模型；

第二步，由于每个扇区的信道传播模型均有所不同，因此必须为每个扇区分别训练距离和方位角模型。

具体地，数据示例如下：

select_ecgi,cell_lon,cell_lat＝245087025,103.834722,30.718888

sample_num:22063

unique_sample_num:21843

unique_gps:9303

[101]eval_distance-rmse:94.288948train_distance-rmse:64.560112

[150]eval_angle-rmse:32.268517train_angle-rmse:21.977776

参见表1，表1示出了本发明实施例的模型训练日志，其中gps_offset代表位置偏移。

表1

并且，参见图10，图10示出了本发明实施例MR中参考信号接收功率(ReferenceSignal Receiving Power，RSRP)、参考信号接收质量(Reference Signal ReceivingQuality，RSRQ)、时间提前量(Timing advance，TADV)等因子对方位角值的影响权重示意图。

其中，纵轴表示MR中可以影响方位角值的各个因子，包括但不限于如图10所示的RSRP、TADV、RSRQ等。横轴表示MR中各个因子对方位角值的影响权重大小(Featureimportance)。

参见图11，图11示出了本发明实施例MR中RSRP、RSRQ、TADV等因子对扇区距离值的影响权重示意图。

其中，纵轴表示可以影响距离值的各个因子，包括但不限于如图11所示的RSRP、RSRQ、TADV等。横轴表示MR中各个因子对距离值的影响权重大小。

再次，使用模型预测MR采样点的经纬度

作为一个示例，第一步，对于任一不携带AGPS经纬度MR采样点数据，按上述规则进行整理得到待预测的信号特征向量；

第二步，对第一步得到的信号特征向量应用距离信道模型和方位角信道模型，得到MR采样点相对于主扇区的距离和方位角；

第三步，将得到的距离和方位角结合主扇区的经纬度计算得出采样点的经纬度。

最后，进行数据验证，其中，数据验证包括批量数据验证和抽样验证。

作为一个示例，其中批量数据验证方法包括如下多个步骤：

第一步，抽取1-2个小区有经纬度的数据，将经纬度数据进行清除。

第二步，通过指纹库和已清理掉经纬度的数据进行合并计算。

第三步，将重新计算出经纬度的数据和原始经纬度进行相减，获取偏差距离。

作为一个示例，其中抽样验证方法包括如下多个步骤：

(1)抽取诸如1-2个小区有经纬度的数据，将经纬度数据进行清除。

(2)通过指纹库和已清理掉经纬度的数据进行合并计算。

(3)将MR数据回填至呼叫细节记录(Call Details Record，CDR)数据，获取用户经纬度数据。

(4)将重新计算出经纬度的数据和原始经纬度进行相减，获取偏差距离。

(5)选定时间，用户通过软件记录标准经纬度，然后和计算结果进行比较。

参考图12、图13、图14、图15和图16，其中图12示出了本发明实施例的测试集示意图；图13示出了本发明实施例的计算结果示意图；图14示出了本发明实施例的叠加示意图；图15示出了本发明实施例的偏移结果示意图；图16示出了本发明实施例的定位算法偏差百分位数示意图。

本发明实施例与现有技术的区别主要可以体现在以下几点：

本发明实施例采用机器学习的方法，同时吸收了三角定位方法和指纹定位方法的优点，主要含有以下三方面的改进：

首先，将归属于一个扇区的MR数据邻区的信号特征进行整理和映射，形成包含固定维度数量的信号特征向量，进而被机器学习算法所识别。

其次，将信号特征与测量点经纬度的关系转化为信号特征与测量点相对于扇区距离和方位角的关系。这是因为终端接收到的信号强度与用户相对基站的距离直接相关,而用户接收到哪个邻区信号又与测量点相对于的方位角直接相关。

再次，使用基于决策树和梯度下降的机器学习算法(XGBoost)从带AGPS经纬度的MR数据中抽取每个扇区的传输模型，进而使用该传输模型进行定位,该方法模型训练速度快，不需要对维度数据做特殊的处理。

相比较现有技术，本发明实施例提供的用户定位方法具有如下优点：

第一、避免了对扇区模型理想化的假设，相比三角定位具有更高的定位精度；

第二、收集扇区测量报告(MR)中的主扇区和邻区所有可用信号特征，并通过统计方法对邻区信号特征进行有效组织，用于构建主扇区的信道传播模型；

第三、采用机器学习算法提取主扇区的信道传播模型，在保证应用级的定位精度(例如，50米)的情况下；一方面使算法具有一定的推算能力，对样本集的完备性要求不高；另一方面也避免了指纹定位算法查询大规模指纹库的弊端；

第四、将采样点经纬度的训练目标转化为相对于主扇区的距离和方位角作，简化了机器学习模型，提高了模型定位的精度；

第五、考虑了每个扇区覆盖场景的差异，为每个扇区都训练一个专有信道传播模型。

综上所述，本发明实施例基于距离信道模型、方位角信道模型，运用提取的扇区测量报告，对用户的实时位置进行判断，主要包括如下几方面内容：

首先，根据统计方法对MR邻区信号进行整理的算法；

其次，将采样点经纬度的求解目标转化为求解采样点相对于主扇区的距离和方位角；

再次，采用基于决策树和梯度下降的机器学习算法(XGBoost)训练距离和方位角信道模型。

与现有技术相比较，本发明实施例主要具有以下几方面的优点：

1、避免了对扇区模型理想化的假设，相比三角定位具有更高的定位精度；

2、收集扇区测量报告(MR)中的主扇区和邻区所有可用信号特征，并通过统计方法对邻区信号特征进行有效组织，用于构建主扇区的信道传播模型；

3、采用机器学习算法提取主扇区的信道传播模型，在保证应用级的定位精度(例如，50米)的情况下；一方面使算法具有一定的推算能力，对样本集的完备性要求不高；另一方面也避免了指纹定位算法查询大规模指纹库的弊端；

4、将采样点经纬度的训练目标转化为相对于主扇区的距离和方位角作，简化了机器学习模型，提高了模型定位的精度；

5、考虑每个扇区覆盖场景的差异，为每个扇区都训练一个专有信道传播模型。

另外，结合图4描述的本发明实施例的用户定位方法可以由用户定位设备来实现。图17示出了本发明实施例提供的用户定位设备的硬件结构示意图。

用户定位设备可以包括处理器1003以及存储有计算机程序指令的存储器1004。

图17是示出能够实现根据本发明实施例的通信方法和网络服务器的计算设备的示例性硬件架构的结构图。如图17所示，计算设备1000包括输入设备1001、输入接口1002、处理器1003、存储器1004、输出接口1005、以及输出设备1006。

其中，输入接口1002、处理器1003、存储器1004、以及输出接口1005通过总线1010相互连接，输入设备1001和输出设备1006分别通过输入接口1002和输出接口1005与总线1010连接，进而与计算设备1000的其他组件连接。

具体地，输入设备1001接收来自外部的输入信息，并通过输入接口1002将输入信息传送到处理器1003；处理器1003基于存储器1004中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1004中，然后通过输出接口1005将输出信息传送到输出设备1006；输出设备1006将输出信息输出到计算设备1000的外部供用户使用。

计算设备1000可以执行本申请上述的通信方法中的各步骤。

处理器1003可以是一个或多个中央处理器(英文：Central Processing Unit，CPU)。在处理器1003是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。

存储器1004可以是但不限于随机存储存储器(RAM)、只读存储器(ROM)，可擦除可编程只读存储器(EPROM)、光盘只读存储器(CD-ROM)、硬盘等中的一种或多种。存储器1004用于存储程序代码。

可以理解的是，在本申请实施例中，图5提供的形成模块至AGPS模块中任一模块或全部模块的功能可以用图17所示的中央处理器1003实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于装置和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。

Claims

1.一种用户定位方法，包括：

利用用户终端，形成测量报告MR数据；

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从所述MR测量点数据中剔除携带有异常AGPS的MR数据。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述从所有邻区中选取对用户定位影响权重大于预设权重的所述多个邻区，包括：

5.根据权利要求1所述的方法，其特征在于，

所述信号特征向量包括信号强度和/或信号质量。

6.根据权利要求1所述的方法，其特征在于，所述提取所述信号特征向量与所述距离的关系，形成距离信道模型，包括：

7.根据权利要求1所述的方法，其特征在于，所述提取所述信号特征向量与所述方位角的关系，形成方位角信道模型，包括：

8.根据权利要求1所述的方法，其特征在于，所述基于所述距离信道模型和所述方位角信道模型，根据所述MR采样点数据中主扇区和多个邻区的信号特征向量，得到所述MR采样点的AGPS数据，包括：

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据指纹库和所述已清除AGPS数据的MR数据，计算AGPS数据；

10.根据权利要求1所述的方法，其特征在于，所述方法还包括：

11.一种用户定位装置，其特征在于，所述装置包括：

形成模块，用于利用用户终端，形成测量报告MR数据；

12.一种用户定位设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-10中任一项所述的方法。