CN114040494A - 一种mr数据用户的定位方法及系统 - Google Patents
一种mr数据用户的定位方法及系统 Download PDFInfo
- Publication number
- CN114040494A CN114040494A CN202110545871.1A CN202110545871A CN114040494A CN 114040494 A CN114040494 A CN 114040494A CN 202110545871 A CN202110545871 A CN 202110545871A CN 114040494 A CN114040494 A CN 114040494A
- Authority
- CN
- China
- Prior art keywords
- data
- positioning
- model
- training
- grid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明提供一种MR数据用户的定位方法及系统,包括:获取目标用户MR数据;将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。本发明通过应用神经网络模型对小区MR数据用户进行定位,提高了无线小区用户的定位精度。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种MR数据用户的定位方法及系统。
背景技术
在无线小区优化服务中,通常需要对小区用户进行定位。
通常,对无线小区进行定位时,涉及分析处理众多的性能指标,而目前对于性能指标的预测更多的是使用自回归模型进行向前推算预测,这是一种线性的模型,对序列数据的信息表达有限,对于复杂的信息预测存在较大的误差,也就无法实现精准的用户定位。
因此,需要提出一种新的小区用户定位方法。
发明内容
本发明提供一种MR数据用户的定位方法及系统,用以解决现有技术中存在的缺陷。
第一方面,本发明提供一种MR数据用户的定位方法,包括:
获取目标用户MR数据;
将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
进一步地,所述定位模型,通过以下步骤获得:
获取MR数据特征,由所述MR数据特征得到训练数据;
由所述训练数据对深度学习模型进行模型分类和模型回归训练,得到所述定位模型。
进一步地,所述获取MR数据特征,由所述MR特征数据得到训练数据,具体包括:
获取所述MR数据特征;
基于所述MR数据特征,按照预设单元网格大小对目标区域进行网格划分,得到多个网格;
根据预设采样规则对每个网格进行均匀采样,得到网格数据采样;
基于所述网格数据采样,生成所述训练数据。
进一步地,所述MR数据特征包括主小区特征、第一邻小区特征和第二邻小区特征。
进一步地,所述主小区特征包括RSRP、TADV、经纬度、天线挂高和天线方位角;
所述第一邻小区特征和所述第二邻小区特征均包括RSRP、经纬度、天线挂高和天线方位角。
进一步地,所述预设采样规则,具体包括:
对每个网格采集采样点数量最多的主小区下的采样点。
进一步地,所述地理定位结果,具体包括:
目标用户的归属网格,以及距离所述归属网格中心点的偏移量。
第二方面,本发明还提供一种MR数据用户的定位系统,包括:
获取模块,用于获取目标用户MR数据;
处理模块,用于将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述MR数据用户的定位方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述MR数据用户的定位方法的步骤。
本发明提供的MR数据用户的定位方法及系统,通过应用神经网络模型对小区MR数据用户进行定位,提高了无线小区用户的定位精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的MR数据用户的定位方法的流程示意图;
图2是本发明提供的模型训练的流程示意图;
图3是本发明提供的MR数据用户的定位系统的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术的不足,本发明通过深度学习神经网络,完成对无线小区用户位置的精准定位,为用户的行为分析和无线小区的精准业务优化工作提供了有力支撑。
图1是本发明提供的MR数据用户的定位方法的流程示意图,如图1所示,包括:
S1,获取目标用户MR数据;
S2,将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
具体地,依据原始的无线小区中待定位的用户MR数据,采用训练好的定位模型,输入该用户MR数据,即可得到待定位用户的地理定位结果;其中该定位模型,是由MR训练数据,通过分类加回归的方法对深度学习神经网络模型进行训练而得到的。
本发明通过应用神经网络模型对小区MR数据用户进行定位,提高了无线小区用户的定位精度。
基于上述实施例,所述定位模型,通过以下步骤获得:
获取MR数据特征,由所述MR数据特征得到训练数据;
由所述训练数据对深度学习模型进行模型分类和模型回归训练,得到所述定位模型。
具体地,对于定位模型训练过程,首先是获取模型对应的训练数据,而该训练数据是通过MR数据特征所得到的,然后再对深度学习模型进行模型分类和模型回归训练,得到该定位模型,具体流程参见图2所示。
基于上述任一实施例,所述获取MR数据特征,由所述MR特征数据得到训练数据,具体包括:
获取所述MR数据特征;
基于所述MR数据特征,按照预设单元网格大小对目标区域进行网格划分,得到多个网格;
根据预设采样规则对每个网格进行均匀采样,得到网格数据采样;基于所述网格数据采样,生成所述训练数据。
具体地,如图2所示,在获得MR数据特征后,对实际地域进行网格划分,一般网格大小取50*50m,对每个网格进行均匀采样,采样规则为每个网格只采集采样点数量最多的主小区下的采样点,本发明中采取每个网格采集50个采样点,然后使用数据特征进行网格分类训练,再进行网格内偏移的回归训练与分类训练进行交替训练,其中模型分类训练和模型回归训练之间还进行了模型收敛。
此处,分类预测建模问题与回归预测建模问题不同:分类是预测离散类标签的任务,回归是预测连续类数量的任务;分类和回归算法之间存在部分重叠:分类算法可以预测连续值,但是连续值是类标签的概率的形式,回归算法可以预测离散值,但是以整数量的形式预测离散值。
分类问题是有监督学习的一个核心问题,分类用于解决要预测样本属于哪个或者哪些预定义的类别,此时输出变量通常取有限个离散值。分类的机器学习的两大阶段:
(1)从训练数据中学习得到一个分类决策函数或分类模型,成为分类器(classifier);
(2)利用学习得到的分类器对新的输入样本进行类别预测。
多类分类问题可转化为两类分类问题解决,如采用一对其余(One-vs-Rest)方法:将其中一个类标记为正类,将其余类标记为负类。
回归分析则是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归侧重在定量关系的分析,输出实数数值。而分类的输出通常为若干指定的类别标签。
因此,在监督学习中,输入经过盒子决策后得到输出。而对于分类和回归问题,该输出的形式存在差异。该差异对应着深度学习,机器学习所对应的落地场景。比如解决图像分类任务,那么就要应用分类网络;若解决预测类问题,那么就要应用回归网络。
分类与回归,这两者都属于监督学习的范畴,都是学习的方法。之所以会去两个不同的名字,就是因为其对应的输出值形式不同,仅此而已。对于回归任务其输出值是连续的实数值,而对于分类任务其输出值为离散的类别数。因此这两者的本质是一样的,仅仅是输出形式不同而已。当然由于其输出形式不同,在构建误差函数时会有区分。
基于上述任一实施例,所述MR数据特征包括主小区特征、第一邻小区特征和第二邻小区特征。
其中,所述主小区特征包括RSRP、TADV、经纬度、天线挂高和天线方位角;
所述第一邻小区特征和所述第二邻小区特征均包括RSRP、经纬度、天线挂高和天线方位角。
具体地,本发明采用的数据特征都是主小区特征和两个邻小区特征,其中,主小区数据特征包括如下指标:RSRP、TADV、经纬度、天线挂高和天线方位角;
第一邻小区特征和所述第二邻小区特征都包括了RSRP、经纬度、天线挂高和天线方位角。
基于上述任一实施例,所述地理定位结果,具体包括:
目标用户的归属网格,以及距离所述归属网格中心点的偏移量。
具体地,对于最终的预测结果,即是用户属于哪个地理网格并且偏移网格中心点为多少,偏移量通常采用偏离中心点横坐标值x和纵坐标值y来体现。
本发明通过以每个网格中心点为参考,直观地反应了待定位用户的偏移量,为后续网规工作提供了客观详细的数据参考。
下面对本发明提供的MR数据用户的定位系统进行描述,下文描述的MR数据用户的定位系统与上文描述的MR数据用户的定位方法可相互对应参照。
图3是本发明提供的MR数据用户的定位系统的结构示意图,如图3所示,包括:获取模块31和处理模块32;其中:
获取模块31用于获取目标用户MR数据;处理模块32用于将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
本发明通过应用神经网络模型对小区MR数据用户进行定位,提高了无线小区用户的定位精度。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行MR数据用户的定位方法,该方法包括:获取目标用户MR数据;将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的MR数据用户的定位方法,该方法包括:获取目标用户MR数据;将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的MR数据用户的定位方法,该方法包括:获取目标用户MR数据;将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种MR数据用户的定位方法,其特征在于,包括:
获取目标用户MR数据;
将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
2.根据权利要求1所述的MR数据用户的定位方法,其特征在于,所述定位模型,通过以下步骤获得:
获取MR数据特征,由所述MR数据特征得到训练数据;
由所述训练数据对深度学习模型进行模型分类和模型回归训练,得到所述定位模型。
3.根据权利要求2所述的MR数据用户的定位方法,其特征在于,所述获取MR数据特征,由所述MR特征数据得到训练数据,具体包括:
获取所述MR数据特征;
基于所述MR数据特征,按照预设单元网格大小对目标区域进行网格划分,得到多个网格;
根据预设采样规则对每个网格进行均匀采样,得到网格数据采样;
基于所述网格数据采样,生成所述训练数据。
4.根据权利要求3所述的MR数据用户的定位方法,其特征在于,所述MR数据特征包括主小区特征、第一邻小区特征和第二邻小区特征。
5.根据权利要求4所述的MR数据用户的定位方法,其特征在于,所述主小区特征包括RSRP、TADV、经纬度、天线挂高和天线方位角;
所述第一邻小区特征和所述第二邻小区特征均包括RSRP、经纬度、天线挂高和天线方位角。
6.根据权利要求3所述的MR数据用户的定位方法,其特征在于,所述预设采样规则,具体包括:
对每个网格采集采样点数量最多的主小区下的采样点。
7.根据权利要求1所述的MR数据用户的定位方法,其特征在于,所述地理定位结果,具体包括:
目标用户的归属网格,以及距离所述归属网格中心点的偏移量。
8.一种MR数据用户的定位系统,其特征在于,包括:
获取模块,用于获取目标用户MR数据;
处理模块,用于将所述目标用户MR数据输入至预先训练好的定位模型中,得到地理定位结果;其中,所述定位模型是基于MR训练数据,通过分类及回归对深度学习模型进行训练所得到。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述MR数据用户的定位方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述MR数据用户的定位方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020114386629 | 2020-12-07 | ||
CN202011438662 | 2020-12-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114040494A true CN114040494A (zh) | 2022-02-11 |
Family
ID=80139747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545871.1A Pending CN114040494A (zh) | 2020-12-07 | 2021-05-19 | 一种mr数据用户的定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114040494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024092771A1 (en) * | 2022-11-04 | 2024-05-10 | Mediatek Singapore Pte. Ltd. | Model pool at location management function for direct ai/ml positioning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109874104A (zh) * | 2017-12-05 | 2019-06-11 | 中国移动通信集团山西有限公司 | 用户位置定位方法、装置、设备及介质 |
CN111246564A (zh) * | 2018-11-28 | 2020-06-05 | 中国移动通信集团浙江有限公司 | 基于mr数据的外部干扰定位方法及装置 |
CN111867049A (zh) * | 2019-04-25 | 2020-10-30 | 华为技术服务有限公司 | 定位方法、装置及存储介质 |
-
2021
- 2021-05-19 CN CN202110545871.1A patent/CN114040494A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109874104A (zh) * | 2017-12-05 | 2019-06-11 | 中国移动通信集团山西有限公司 | 用户位置定位方法、装置、设备及介质 |
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 |
CN111246564A (zh) * | 2018-11-28 | 2020-06-05 | 中国移动通信集团浙江有限公司 | 基于mr数据的外部干扰定位方法及装置 |
CN111867049A (zh) * | 2019-04-25 | 2020-10-30 | 华为技术服务有限公司 | 定位方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024092771A1 (en) * | 2022-11-04 | 2024-05-10 | Mediatek Singapore Pte. Ltd. | Model pool at location management function for direct ai/ml positioning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CA3066029A1 (en) | Image feature acquisition | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
CN113780345A (zh) | 面向中小企业的基于张量注意力的小样本分类方法和系统 | |
CN113487533A (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
CN116611546A (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
CN114040494A (zh) | 一种mr数据用户的定位方法及系统 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
US20210182701A1 (en) | Virtual data scientist with prescriptive analytics | |
CN113824580A (zh) | 一种网络指标预警方法及系统 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
CN116361974A (zh) | 一种基于公路业务及数据网络的数据源重要性判别方法 | |
CN116304155A (zh) | 基于二维图片的三维构件检索方法、装置、设备及介质 | |
CN114943273A (zh) | 数据处理方法、存储介质以及计算机终端 | |
CN109493427B (zh) | 一种智能模型训练方法及装置、一种碰撞检测方法及装置 | |
CN113837527A (zh) | 企业评级方法、装置、设备以及存储介质 | |
Cupek et al. | Improving KPI based performance analysis in discrete, multi-variant production | |
CN111722977A (zh) | 系统巡检方法、装置及电子设备 | |
CN111954232A (zh) | 无线网络指标分类方法和装置 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
CN117197036B (zh) | 图像检测方法及装置 | |
CN113297045B (zh) | 分布式系统的监控方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220211 |
|
RJ01 | Rejection of invention patent application after publication |