CN112423333A - 基于位置指纹匹配的蜂窝网络无线定位方法 - Google Patents

基于位置指纹匹配的蜂窝网络无线定位方法 Download PDF

Info

Publication number
CN112423333A
CN112423333A CN202011296069.5A CN202011296069A CN112423333A CN 112423333 A CN112423333 A CN 112423333A CN 202011296069 A CN202011296069 A CN 202011296069A CN 112423333 A CN112423333 A CN 112423333A
Authority
CN
China
Prior art keywords
user
test
training
vector
distance
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
Application number
CN202011296069.5A
Other languages
English (en)
Other versions
CN112423333B (zh
Inventor
向晨路
张舜卿
徐树公
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202011296069.5A priority Critical patent/CN112423333B/zh
Publication of CN112423333A publication Critical patent/CN112423333A/zh
Application granted granted Critical
Publication of CN112423333B publication Critical patent/CN112423333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

一种基于位置指纹匹配的蜂窝网络无线定位方法，根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果。本发明基于真实采集的用户上报测量报告，结合庞大的训练数据集和机器学习算法，实现中位数误差为100m左右的高精度的蜂窝网络定位。

Description

基于位置指纹匹配的蜂窝网络无线定位方法
技术领域
本发明涉及的是一种无线通信领域的技术，具体是一种基于位置指纹匹配的蜂窝网络无线定位方法，可以用于其他各类无线定位系统，包括但不限于无线局域(Wi-Fi)网络，蓝牙传感网络，UWB网络以及各种无线传感器组成的异构网络等场景。
背景技术
无线定位方法中，位置指纹法是一种常用的定位方法。此类方法通常分为两个阶段，在离线阶段建立位置和指纹库的对应关系，在在线阶段根据新获得的指纹和离线阶段建立的关系预测对应的位置信息。由于每次的测试样本各不相同，给出的定位精度也参差不齐。本发明提出针对不同的测试样本给出对应的测试置信度，并在系统中不予采纳置信度过低的测试结果，从而提高系统整体的定位精度。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于位置指纹匹配的蜂窝网络无线定位方法，基于真实采集的用户上报测量报告，结合庞大的训练数据集和机器学习算法，实现中位数误差为100m左右的高精度的蜂窝网络定位。
本发明是通过以下技术方案实现的：
本发明根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果。
所述的真实采集的用户上报测量报告包括：数据上报时间(mrTime)、用户(IDUeId)、服务小区标识(svrCGI)、服务小区信号强度(svrRSRP)、邻区小区(ID CellId)、邻区信号强度(rsrp)。
技术效果
与现有技术相比，本发明针对不同的测试样本给出对应的测试置信度，并在系统中不予采纳置信度过低的测试结果，从而提高系统整体的定位精度。在线测试的置信度设计环节，帮助消除过大的定位误差。
附图说明
图1为本发明流程图；
图2为实施例基站用户距离与RSRP的对应关系图；
图3为实施例无线定位系统示意图；
图4为实施例效果示意图。
具体实施方式
本实施例基于华为公司在2020年第一届无线大数据竞赛(华为赛题无线网络智能定位)数据集进行检测：在给出的数据集中，每个数据集中，测试数据为10000条，训练数据约为几百万条。
如图1所示，为本实施例涉及一种基于位置指纹匹配的蜂窝网络无线定位方法，包括以下步骤：
步骤1、根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，具体为：待测用户的svrCGI决定测试用户所在小区，在训练数据集中查找是否存在训练用户有相同的svrCGI，当存在时说明训练用户和测试用户处于相同小区，则进行后续步骤完成定位任务；否则该测试用户不能实现精准定位，放弃本次测试输出。
步骤2、构造测试向量和训练向量集，具体为：当当前测试用户存在相同小区的训练用户，则统计该小区的所有邻站CellId，并按照从小到大的顺序排列，测试用户和每个训练用户CellId所对应的rsrp按照CellId的顺序对应重排，生成对应含位置标签的训练向量集和不含位置标签的测试向量。
在生成训练向量和测试向量过程中，当邻站信息为空的部分，则rsrp用-141dBm填充向量。
步骤3、机器学习拟合算法预测坐标值，具体为：利用机器学习算法如K邻接(KNN)算法或随机森林(Random Forest)算法，根据生成的训练向量集和测试向量估计得到测试向量的预测位置坐标。
所述的KNN算法，具体包括：
步骤3.1、根据无线传播理论，RSRP与传播距离理论上是指数关系，当直接套用传统欧式距离刻画并不准确，因此需要自定义样本距离设计；然而由于蜂窝信号传输过程中散射体导致的NLOS，RSRP与距离的关系并不是完成满足信号在自由空间中传播的指数关系，因此需要自定义RSRP与距离之间的关系来用于KNN算法中向量的距离刻画，具体为：
步骤3.1.1、估计小区基站的位置：根据经验，当RSRP数值较大时，用户一般距离基站较近。考虑到用户对于本小区基站的信号强度区间为[-140,-40]，本实施例以-50dBm为阈值，当训练数据的信号强度大于-50dBm则认为该用户在基站附近，统计每个小区内所有这样的用户，形成基站附近用户集合，通过加权平均该用户集合的位置坐标，得到估计的小区基站位置坐标。
步骤3.1.2、计算用户与基站之间的距离：在获取估计出的基站位置之后，通过欧式距离的方式计算用户与基站之间的距离，并且与此时用户接收到的信号强度进行匹配。
步骤3.1.3、通过多项式拟合方式，拟合基站用户距离与RSRP的对应关系，如图2所示。
步骤3.2、当测试数据邻站数量超过3时，也是向量信息量较多时，缩小候选人的选择范围，也就是减小K值；反之则扩大候选人范围，增大K值，K值与测试用户邻站数量的关系：K＝10-测试数据接收到的邻站数量。
步骤3.3、采用反函数进行权重配置进行不同距离的样本的权重配置，当训练样本与测试样本的距离越小，该距离值权重越大，具体为：权重
Figure BDA0002785350040000031
其中：distance为向量直之间的欧式距离，const为常数。
步骤4、计算测试的置信度并滤除不可靠的测试结果，具体为：在训练集中查找与待测位置svrCGI相似的数据，作为含真实位置坐标的验证数据，将预测位置结果与验证数据标签进行比对，得到测试的置信度，然后进行不可靠结果滤除。
所述的置信度为
Figure BDA0002785350040000032
其中：验证数据的数量为N，对应的位置标签分别为L1、L2、…、LN，通过机器学习算法估计的位置坐标为Ls，║║为范数符号，║║2表示欧式距离，B为归一化常数。
所述的滤除是指：当测试结果的置信度大于预设阈值，则输出本次定位的测试估计结果，反之则不输出。
步骤5、利用基于KNN、Random Forest等多种拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果，即bx+ay/a+b，其中：拟合算法得到的平均定位误差为a，单次估计结果为x，算法B的定位误差为b，单次估计结果为y。
根据现有一个测试数据和训练数据，如下表：
svrCGI svrRSRP CellId1 Rsrp_1 CellId1 Rsrp_2
测试数据 250287501 -84 9830887 -87 9830816 -94
训练数据 250287501 -71 9830887 -86 9830620 -89
那么测试向量也为(-84,-87,-94)，而训练向量因为没有CellId为9830816的邻站信息，因此只能用-141来填充对应的位置，那么训练向量为(-71,-86,-141)。以此类推，统计所有svrCGI为250287501的训练数据，构成该测试数据的训练向量集合，用于后续的定位结果估计。
利用华为公司提供的真实小区中用户的RSRP数据，实验结果见图4所示，本发明通过置信度设计模块，根据用户上报的测量报告最后实现高精度的蜂窝无线定位，80％定位误差为193m，60％定位误差在133m，中位数误差在100m左右。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (7)

1.一种基于位置指纹匹配的蜂窝网络无线定位方法，其特征在于，根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果；
所述的真实采集的用户上报测量报告包括：数据上报时间(mrTime)、用户(ID UeId)、服务小区标识(svrCGI)、服务小区信号强度(svrRSRP)、邻区小区(ID CellId)、邻区信号强度(rsrp)。
2.根据权利要求1所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，具体包括：
步骤1、根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，具体为：待测用户的svrCGI决定测试用户所在小区，在训练数据集中查找是否存在训练用户有相同的svrCGI，当存在时说明训练用户和测试用户处于相同小区，则进行后续步骤完成定位任务；否则该测试用户不能实现精准定位，放弃本次测试输出；
步骤2、构造测试向量和训练向量集，具体为：当当前测试用户存在相同小区的训练用户，则统计该小区的所有邻站CellId，并按照从小到大的顺序排列，测试用户和每个训练用户CellId所对应的rsrp按照CellId的顺序对应重排，生成对应含位置标签的训练向量集和不含位置标签的测试向量；
步骤3、机器学习拟合算法预测坐标值，具体为：利用机器学习算法，根据生成的训练向量集和测试向量估计得到测试向量的预测位置坐标，
步骤4、计算测试的置信度并滤除不可靠的测试结果，具体为：在训练集中查找与待测位置svrCGI相似的数据，作为含真实位置坐标的验证数据，将预测位置结果与验证数据标签进行比对，得到测试的置信度，然后进行不可靠结果滤除，
步骤5、利用拟合算法进行融合，将输出结果进行加权求和得到预测结果，即bx+ay/a+b，其中：拟合算法得到的平均定位误差为a，单次估计结果为x，算法B的定位误差为b，单次估计结果为y。
3.根据权利要求2所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，在生成训练向量和测试向量过程中，当邻站信息为空的部分，则rsrp用-141dBm填充向量。
4.根据权利要求2所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的机器学习算法，具体包括：
步骤3.1、自定义RSRP与距离之间的关系来用于KNN算法中向量的距离刻画；
步骤3.2、当测试数据邻站数量超过3时，缩小候选人的选择范围；反之则扩大候选人范围；
步骤3.3、采用反函数进行权重配置进行不同距离的样本的权重配置，当训练样本与测试样本的距离越小，该距离值权重越大。
5.根据权利要求4所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的距离刻画，具体为：
步骤3.1.1、估计小区基站的位置：当训练数据的信号强度大于-50dBm则认为该用户在基站附近，统计每个小区内所有这样的用户，形成基站附近用户集合，通过加权平均该用户集合的位置坐标，得到估计的小区基站位置坐标；
步骤3.1.2、计算用户与基站之间的距离：通过欧式距离的方式计算用户与基站之间的距离，并且与此时用户接收到的信号强度进行匹配；
步骤3.1.3、通过多项式拟合方式，拟合基站用户距离与RSRP的对应关系。
6.根据权利要求4所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的距离值权重
Figure FDA0002785350030000021
其中：distance为向量直之间的欧式距离，const为常数。
7.根据权利要求1或2所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的置信度为
Figure FDA0002785350030000022
其中：验证数据的数量为N，对应的位置标签分别为L1、L2、…、LN，通过机器学习算法估计的位置坐标为Ls，||||为范数符号，||||2表示欧式距离，B为归一化常数。
CN202011296069.5A 2020-11-18 2020-11-18 基于位置指纹匹配的蜂窝网络无线定位方法 Active CN112423333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011296069.5A CN112423333B (zh) 2020-11-18 2020-11-18 基于位置指纹匹配的蜂窝网络无线定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011296069.5A CN112423333B (zh) 2020-11-18 2020-11-18 基于位置指纹匹配的蜂窝网络无线定位方法

Publications (2)

Publication Number Publication Date
CN112423333A true CN112423333A (zh) 2021-02-26
CN112423333B CN112423333B (zh) 2022-07-12

Family

ID=74773397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011296069.5A Active CN112423333B (zh) 2020-11-18 2020-11-18 基于位置指纹匹配的蜂窝网络无线定位方法

Country Status (1)

Country Link
CN (1) CN112423333B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807346A (zh) * 2017-10-26 2018-03-16 南京华苏科技有限公司 基于ott与mr数据的自适应wknn室外定位方法
CN108303093A (zh) * 2018-01-31 2018-07-20 中国联合网络通信集团有限公司 一种室内定位方法及装置
CN109116299A (zh) * 2017-06-23 2019-01-01 中兴通讯股份有限公司 一种指纹定位方法、终端、计算机可读存储介质
US20190285722A1 (en) * 2012-08-03 2019-09-19 Polte Corporation Network architecture and methods for location services
US20200241106A1 (en) * 2016-02-19 2020-07-30 Telefonaktiebolaget Lm Ericsson (Publ) Hybrid fingerprinting/otdoa positioning techniques and systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190285722A1 (en) * 2012-08-03 2019-09-19 Polte Corporation Network architecture and methods for location services
US20200241106A1 (en) * 2016-02-19 2020-07-30 Telefonaktiebolaget Lm Ericsson (Publ) Hybrid fingerprinting/otdoa positioning techniques and systems
CN109116299A (zh) * 2017-06-23 2019-01-01 中兴通讯股份有限公司 一种指纹定位方法、终端、计算机可读存储介质
CN107807346A (zh) * 2017-10-26 2018-03-16 南京华苏科技有限公司 基于ott与mr数据的自适应wknn室外定位方法
CN108303093A (zh) * 2018-01-31 2018-07-20 中国联合网络通信集团有限公司 一种室内定位方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
向晨路: "《Joint Visual and Wireless Signal Feature based Approach for High-Precision Indoor Localization》", 《ARXIV》 *
汪媛卿等: "基于距离权重的无线指纹定位方法", 《信息技术》 *

Also Published As

Publication number Publication date
CN112423333B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US8786494B2 (en) Method to modify calibration data used to locate a mobile unit
CN108513251B (zh) 一种基于mr数据的定位方法及系统
Wu et al. Location estimation via support vector regression
US6873852B2 (en) System and method of estimating the position of a mobile terminal in a radio telecommunications network
CN102480678B (zh) 一种指纹定位方法和系统
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN110213724B (zh) 一种伪基站运动轨迹的识别方法
US20050266860A1 (en) Position detection method, position detection system, and position detection server equipment
CN105578414A (zh) 一种终端及其定位方法和装置
CN110049549B (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN105517019A (zh) 采用集成回归系统检测lte网络性能的方法
CN107027148A (zh) 一种基于UE速度的Radio Map分类定位方法
Blazek et al. Measurement-based burst-error performance modeling for cooperative intelligent transport systems
CN101201398B (zh) 利用邻站测距辅助测角的非直达波定位方法
CN108574927B (zh) 一种移动终端定位方法及装置
CN107104747B (zh) 无线时变信道中的多径分量的分簇方法
CN112423333B (zh) 基于位置指纹匹配的蜂窝网络无线定位方法
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
KR102416604B1 (ko) 무선통신 시스템의 정밀 측위 방법 및 장치
CN113759311A (zh) 一种定位方法、装置及存储介质
Zhang et al. Fine‐grained CSI fingerprinting for indoor localisation using convolutional neural network
EP3783925B1 (en) Determination of indoor/outdoor in mobile networks using deep learning
CN114374990B (zh) 一种提升基于ta计算mr与基站间距离精度方法
CN109040948A (zh) 一种位置候选集合生成方法及其高精度融合定位方法
Brida et al. On the accuracy of AGA positioning algorithm in multipath environment

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