CN114599082A - 楼宇的用户定位方法、装置、设备及计算机存储介质 - Google Patents
楼宇的用户定位方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114599082A CN114599082A CN202011416751.3A CN202011416751A CN114599082A CN 114599082 A CN114599082 A CN 114599082A CN 202011416751 A CN202011416751 A CN 202011416751A CN 114599082 A CN114599082 A CN 114599082A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- building
- neural network
- network model
- 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 77
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 90
- 230000000737 periodic effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 44
- 239000013598 vector Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 7
- 230000011664 signaling Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开实施例提供了一种楼宇的用户定位方法、装置、设备及计算机存储介质，包括获取用户的MRO数据，MRO数据包括第一时间数据和用户标识数据；将所述MRO数据输入神经网络模型；神经网络模型通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，区域中的用户特征数据；通过神经网络模型将用户标识数据与用户特征数据对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据来对所述用户进行定位；本公开由室分数据中的用户特征数据和楼宇区域特征数据等参数训练神经网络模型，对用户周期性MRO数据中包含的用户标识数据进行关联识别，继而实现快速锁定对应用户在楼宇的位置，实现准确、高效定位。
Description
技术领域
本公开属于位置定位技术领域，尤其涉及一种楼宇的用户定位方法、装置及设备。
背景技术
目前，城市用户室内工作、学习和生活的时间占到全天时间的70％-90％，用户在室内活动的时间越来越多，室内活动空间也越来越大，尤其是楼层多、楼层面积大的楼宇空间，在发生安全类问题时，快速锁定楼宇用户所在的位置，对做出安全防护工作的部署是十分重要的。
现有的室内用户定位方法，主要是通过WiFi定位方式，其基本原理是根据接收机对无线电信号的接收，来判断接收机与已知位置信号源的相对位置，来得出用户所在位置。这些现有定位方法对WiFi设备的依赖性较强，且定位准确度较低，且在实际应用中还不能够做到在出现安全类问题时，快速锁定用户。
因此，如何在多楼层、宽楼层范围的楼宇空间，快速锁定用户的位置，是亟需解决的问题。
发明内容
本公开实施例提供一种楼宇的用户定位方法、装置、设备及计算机存储介质，能够快速锁定室内用户的位置。
第一方面，本公开实施例提供一种楼宇的用户定位方法，方法包括：
获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
在一些实施例中，在将MRO数据输入预设的神经网络模型之前，方法还包括，训练神经网络模型；
训练神经网络模型具体包括：
对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域；
对均布在区域中的若干个采样点进行数据采集，得到楼宇的室分数据；
将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
在一些实施例中，将用户标识数据与用户特征数据进行对应关联时，根据预设的中间表进行对应关联；中间表中包含用户标识数据与用户特征数据的对应关系。
在一些实施例中，将室分数据输入到神经网络模型之前，定位方法还包括：
通过预设的干扰样本剔除规则，对室分数据进行数据清洗。
在一些实施例中，区域特征数据包括区域的标识、以及区域中的通信工参数据；MRO数据中还包括通信工参测量数据；
通过区域特征数据对用户进行定位之前，方法还包括：
将通信工参测量数据与区域中的通信工参数据进行一致性匹配。
第二方面，本公开实施例提供了一种楼宇的用户定位装置，装置包括：
获取模块，用于获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
输入模块，用于将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
定位模块，用于通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
在一些实施例中，装置还包括：训练模块，用于训练神经网络模型；训练模块具体用于：
对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域；
对均布在区域中的若干个采样点进行数据采集，得到楼宇的室分数据；
将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
在一些实施例中，区域特征数据包括区域的标识、以及区域中的通信工参数据；MRO数据中还包括通信工参测量数据；
定位模块具体还用于：
将通信工参测量数据与区域中的通信工参数据进行一致性匹配。
第三方面，本公开实施例提供了一种楼宇的用户定位设备，设备包括：处理器，以及存储有计算机程序指令的存储器；处理器读取并执行计算机程序指令，以实现如上述任意一实施例的楼宇的用户定位方法。
第四方面，本公开实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述任意一实施例的楼宇的用户定位方法。
本公开实施例的楼宇的用户定位方法、装置、设备及计算机存储介质，由室分数据中的用户特征数据和楼宇区域特征数据等参数，训练神经网络模型，基于训练的神经网络模型，对用户周期性上传的MRO数据中包含的用户标识数据进行关联识别，继而实现快速锁定对应用户在楼宇的位置，实现准确、高效定位。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例中所需要使用的附图作简单的介绍，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是本公开实施例提供的一种楼宇的用户定位方法的流程示意图；
图2是本公开另一实施例提供的一种楼宇的用户定位方法的流程示意图；
图3是图2所示方法中训练神经网络模型的流程示意图；
图4是图3中所示方法中采用的神经网络的在一个具体示例中的结构示意图；
图5是图2所示方法中获取用户MRO数据的流程示意图；
图6是本公开实施例提供的一种楼宇的用户定位装置的结构示意图；
图7是本公开实施例提供的一种楼宇的用户定位设备的结构示意图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例，为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本公开进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本公开，而不是限定本公开。对于本领域技术人员来说，本公开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公开的示例来提供对本公开更好的理解。
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。
目前现有技术中对室内用户的定位，尤其是楼宇室内的常驻用户定位，多采用WiFi热点地图或者WiFi定位等方式，定位效果不佳。因而为了解决现有技术问题，本公开实施例提供了一种楼宇内用户定位方法、装置、设备及计算机存储介质。
下面首先对本公开实施例所提供的楼宇的用户定位方法进行介绍。
图1示出了本公开一个实施例提供的楼宇的用户定位方法的流程示意图。如图1所示，该方法可以包括以下步骤：
S100.获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
S200.将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
S300.通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
本实施例中，通过用户终端设备周期性上报的MRO数据，与楼宇内的区域特征数据进行结合，经过神经网络模型，可以快速确定在某一时间内，用户在楼宇中的位置。
其中，MRO数据，指的是Measurement Report Original，即用户测量数据。MRO数据是用户按照统计周期上报的对于无线网络状态的测量报告，MRO数据里面包含的信息很多，其中包括用户终端设备的UUID(Universally Unique Identifier，通用唯一识别码)和统计周期的时间信息，还包括主服小区基站工参和邻区信息等通信工参测量数据，等等。其中主服基站工参和邻区信息，包括主服务小区的基站标识和RSRP(Reference SignalReceiving Power，参考信号接收功率，即场强)，以及邻区的基站标识和RSRP参数。传统技术中，移动通信网络运营商服务器获取这些MRO数据是为了进行网络评估和优化，本实施例中，将获取的用户终端设备的周期性MRO数据，用于用户在楼宇中的定位。
具体的，本实施例中，在步骤S200将MRO数据输入预设的神经网络模型之前，如图2所示，方法还包括S400.训练神经网络模型。该神经网络模型，是利用楼宇常驻用户的室分数据为样本，训练得到的分类模型，能够根据用户特征数据，输出对应用户在楼宇中的位置或轨迹。继而可以根据用户终端设备上报的周期性MRO数据中包含的用户标识数据，与神经网络模型中的用户特征数据进行对应关联后，由神经网络模型输出对应用户所在的楼宇、所在区域、或者在楼宇或区域之间的轨迹，实现快速、准确定位。
结合图3所示的，步骤S400包括S401.对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域。
预设范围可以根据移动通信网络运营商服务器的服务范围确定，如省、市或城区。将预设范围内的每个楼宇的每一层，映射到经纬度坐标体系中，进行栅格划分，得到若干区域，每个区域都对相应栅格进行编号，得到栅格ID，作为区域标识。本示例中，可以采用5m*5m的栅格划分区域，这样通过小粒度的区域划分，在后续对于楼宇区域特征的训练和对应匹配时，利于得到更为精确的位置定位。
步骤S400还包括S402.对均布在区域中的若干个采样点进行数据采集，得到楼宇的室分数据。
对预设范围内楼宇室内常驻用户相关的室分数据进行采集，可以包括采集楼宇的相关位置信息，以及对常驻用户4G或5G无线通信覆盖信息(如通信工参)等，由于一个区域中可能对应一个主服小区和多个邻区，所以对常驻用户的室分数据采集时，通信工参也包含用户所在区域的主服小区和多个邻区信息。本实施例中，每个楼宇内的每一楼层设置至少500-1000个采样点，且采样点均匀分布在楼层对应各区域的各处位置，本示例中楼宇的每个楼层还可以包括地下车库，都要进行对应的划分和采样，每一层数据采集的时间不低于20分钟。且每个楼宇外围100米内范围内也可以进行区域划分和采样，楼宇外围的采样点不低于500个。越趋于全面的采样数据，越利于训练得到更为精确的神经网络模型，得到的定位结果也就越准确。
通过对采样点的数据采集，获取采样点的常驻用户原始日志数据(即log数据)，该常驻用户原始日志数据中包含第二时间数据、用户特征数据、用户所在楼宇区域的区域特征数据等。其中第二时间数据可以是采样时间数据，用户特征数据可以包括用户的IMSI(International Mobile Subscriber Identification Number，国际移动用户识别码)，用户所在楼宇区域的区域特征数据可以包括区域的标识(即栅格ID)、以及区域中的通信工参数据等。然后对常驻用户原始日志数据进行解析，除了用户特征数据外，可以得到包含楼宇每一层及楼宇外围的区域特征数据与采样时间对应的室分数据信息，本实施例给出一个示例如表1所示。
表1
数据采集完毕后，将采集的室分数据输入到训练神经网络模型前，本实施例方法中，步骤S400还可以包括步骤S403.通过预设的干扰样本剔除规则，对室分数据进行数据清洗。
对采集的室分数据样本进行清洗，可以去除干扰样本数据，降低异常或个例数据在训练过程中，对神经网络模型的影响。
其中预设的干扰样本剔除规则，是对符合以下特征的数据进行删除：
栅格内对应主服小区所在位置距离栅格对应区域超过1公里范围；
栅格内对应的信号强度排名前6的邻小区所在位置，距离栅格对应区域超过1.5公里范围；
栅格内对应的主服小区信号强度(即RSRP，下同)低于-95；
栅格内对应邻小区信号强度高于主服小区信号强度；
栅格内对应邻小区信号强度低于-120；
栅格内对应主服小区信号强度、邻小区信号强度不完整。
步骤S400还包括S404.将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇、区域、和/或用户在楼宇或区域之间的轨迹。
将采样的室分数据输入到神经网络模型，基于神经网络MLP(Multi-LayerPerceptron)算法，利用采样数据构建特征序列对神经网络进行学习训练建模，用于对用户进行楼宇定位。
在对神经网络的训练建模过程中，可以按各区域的不同主服小区分类，得到小区列表。然后对常驻用户采样的室分数据中的小区场强信息形成对应的小区主服信息及邻区RSRP向量，将室分数据对应的楼宇为相应训练标签，对每一个测试样本进行特征学习。所以步骤S404可以包括：
S4041.设置神经网络的特征输入与数据输出，训练神经网络模型。
本实施例中，基于MLP算法，如图4所示，采用的神经网络由输入层(input layer)401，隐藏层(hidden layers)402，输出层(output layer)403三部分组成。假设某个用户进入某个楼宇，对该用户的采样则可以包括：通过栅格划分的区域，与区域对应的采样时间下的主服小区信息及邻区信息等特征构造特征向量。
输入层401：包括多个神经元，用于样本的特征向量的输入；每个神经元可以对应输入一项特征向量。
隐藏层402：与输入层401全连接，进行特征向量的组合；假设输入层的输入数据用向量X表示，则隐藏层402的输出数据就以下式得到：
f(X*W1+b1)
其中，W1是隐藏层402的权重矩阵(也叫连接系数)，b1是隐藏层的偏置参数，函数f可以是常用的ReLU(Rectified Linear Unit)激活函数。隐藏层可以有多个，相邻隐藏层神经元之间全连接。ReLU激活函数公式如下：
f(u)＝max(0,u)，其中u表示上述(X*W1+b1)的值；
输出层403:与隐藏层402全连接；对于分类问题，隐藏层402到输出层403可以看成是一个多类别的逻辑回归，也即Softmax回归，所以输出层的输出公式如下：
Softmax(X1*W2+b2)
X1表示隐藏层402的输出f(X*W1+b1)，W2是输出层的权重矩阵(也叫连接系数)，b2是输出层的偏置参数。Softmax是对输出值的归一化处理。Softmax函数公式如下：
ei是输出层403第i个神经元的输出值，等于向量(X1*W2+b2)第i列的值，Si是归一化后的第i个神经元的输出值，对应于用户位于某个楼宇的概率值,最终选择概率最大的楼宇为用户所在楼宇。
步骤S404还包括S4042.验证神经网络的训练结果。
通过采用7/3法则对该神经网络模型的准确性进行验证，即将步骤S402采集得到的全部样本的70％作为训练样本，30％的剩余样本作为验证数据样本，对训练的神经网络模型进行验证。本实施例中对上述步骤训练得到的神经网络模型进行实际综合验证，得到的验证结果为准确性是85％，准确度较高。
本实施例中，基于采集的室分数据中包含的特征进行训练建模，根据区域对应的不同主服小区等特征分别训练，得到的模型供后序步骤进行楼宇室分用户的定位。
用户终端设备上传的周期性MRO数据作为用户测量报告，除了用户终端设备的UUID和上传时间(即上述第一时间信息)外，主要包括的是用户所在位置的基站工参和邻区信息等，且由于移动通信网络运营商服务器通常会周期性获取用户终端设备上报的MRO数据，所以本实施例方法，利用当前用户的MRO数据，通过将MRO数据导入步骤S400训练的神经网络模型，基于楼宇用户特征与区域特征的关联匹配，快速锁定用户的位置，或者获取多个位置形成用户的活动轨迹，实现楼宇室分用户位置定位。
因此，如图5所示，本实施例中步骤S100包括S101.获取用户的周期性MRO数据，MRO数据至少包括第一时间数据(即MRO数据的上传时间)和用户标识数据，还包括通信工参测量数据(例如可以包括基站工参数据和邻区信息)。
该周期性MRO数据的获取可以是现有技术的移动通信网络运营商的设备，也可以另外配置的服务器。获取的方式可以是直接通过用户终端设备上报，也可以是来自现有技术中用于获取MRO数据的设备。
通过步骤S100获取用户MRO数据后，还包括S102.解析所述MRO数据，并通过信令数据关联得到用户特征数据。该步骤中，MRO数据中实际包含很多参数，本实施例中解析出本方法需要的上述第一时间数据、用户标识数据以及通信工参数据后，通过信令数据关联得到用户特征数据。本实施例中，信令数据可以为LTE网络中保存在网元接口中的中间表。该中间表保存有用户标识数据(即UUID)与用户特征户数数据(即IMSI)的对应关系，因此步骤S102中，根据预设的中间表进行对应关联用户标识数据与用户特征数据，得到基于用户特征数据的MRO数据向量文件，如表2所示。
表2
| 时间 | 用户IMSI | 主服小区信息 | 主服小区场强 | 邻区1信息 | 邻区1场强 | 邻区… | 邻区N信息 |
| T1 | X1 | A | -75 | B | -81 | … | C |
| T2 | X2 | A | -78 | B | -83 | … | C |
| T3 | X3 | A1 | -70 | B1 | -78 | … | C1 |
| TN | XN | … | … | … | … | … | … |
步骤S100还包括S103.对用户上报的周期性MRO数据中差异较大的采样数据剔除，如信号强度差异大、小区ID或邻小区ID上报错误等。
然后进行步骤S200，将所述将MRO数据输入预设的神经网络模型。本实施中，可以经上述S102中得到的MRO数据向量文件中的各特征参数，对应输入到训练好的神经网络模型中，以定位出用户所在楼宇或楼宇中的区域位置。
所以在定位时，步骤S300包括：通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，将通信工参测量数据与区域中的通信工参数据进行一致性匹配，通过区域特征数据对用户进行定位。
将上述S102中得到的MRO数据向量文件中的各特征参数输入到神经网络模型后，由于包含用户标识(UUID)关联的用户特征数据(IMSI)，包含时间数据以及包含所在区域的通信工参数据等，所以进入到训练好的神经网络模型中，能够根据这些数据进行一致性对应匹配，确定出用户在某个时间所在的区域，该区域可以通过通信工参的一致性确定，定位结果更加准确。且该区域是基于楼宇的空间经纬度划分，所以确定该区域即确定了对应经纬度的楼宇具体位置，这样通过训练好的神经网络模型，在获取到用户的周期性MRO数据后，就可以快速识别出该用户所在的楼宇位置，该位置可以是具体的区域，但也可以是楼宇，取决于实际应用时对楼宇空间的区域划分。定位结果的一个示例可以如表3所示。
表3
本公开实施例的楼宇的用户定位方法，由室分数据中的用户特征数据和楼宇区域特征数据，训练神经网络模型，将服务范围内的所有楼宇，将楼宇编号、楼层区域(栅格ID)对应的经纬度信息、区域的通信工参等作为特征训练模型，使得基于训练的神经网络模型，对用户周期性上传的MRO数据中包含的用户标识数据等进行关联识别，基于神经网络的可靠高效计算能力、和多项特征数据的高度匹配，实现快速锁定对应用户在楼宇的位置或位置轨迹，定位准确、且定位速度快。
并且模型训练时，本方法是将在楼宇中出现过的用户的室分数据为训练样本，因此更适用于对楼宇常驻用户的定位。可以用户楼宇室内发生安全类问题后，根据无线通信网络信息快速锁定和识别楼宇相关联用户，更加高效，准确率更高，可用于疑似人或楼宇相关联用户干系人的查找。
图6是本公开实施例提供的一种楼宇的用户定位装置结构示意图。如图6所示，该装置可以包括
获取模块201，用于获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
输入模块202，用于将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
定位模块203，用于通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
其中，MRO数据，指的是Measurement Report Original，即用户测量数据。MRO数据是用户按照统计周期上报的对于无线网络状态的测量报告，MRO数据里面包含的信息很多，其中包括用户终端设备的UUID(Universally Unique Identifier，通用唯一识别码)和统计周期的时间信息，还包括主服小区基站工参和邻区信息等通信工参测量数据，等等。其中主服基站工参和邻区信息，包括主服务小区的基站标识和RSRP(Reference SignalReceiving Power，参考信号接收功率，即场强)，以及邻区的基站标识和RSRP参数。传统技术中，移动通信网络运营商服务器获取这些MRO数据是为了进行网络评估和优化，本实施例中，将获取的用户终端设备的周期性MRO数据，用于用户在楼宇中的定位。
本实施例中，装置还包括训练模块200，用于训练神经网络模型；训练模块200具体用于：
对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域；预设范围可以根据移动通信网络运营商服务器的服务范围确定，如省、市或城区。将预设范围内的每个楼宇的每一层，映射到经纬度坐标体系中，进行栅格划分，得到若干区域，每个区域都对相应栅格进行编号，得到栅格ID，作为区域标识。本示例中，可以采用5m*5m的栅格划分区域，这样通过小粒度的区域划分，在后续对于楼宇区域特征的训练和对应匹配时，利于得到更为精确的位置定位。
训练模块200具体还用于对区域中均布的若干个采样点进行数据采集，得到楼宇的室分数据；
对预设范围内楼宇室内常驻用户相关的室分数据进行采集，可以包括采集楼宇的相关位置信息，以及对常驻用户4G或5G无线通信覆盖信息(如通信工参)等，由于一个区域中可能对应一个主服小区和多个邻区，所以对常驻用户的室分数据采集时，通信工参也包含用户所在区域的主服小区和多个邻区信息。本实施例中，每个楼宇内的每一楼层设置至少500-1000个采样点，且采样点均匀分布在楼层对应各区域的各处位置，本示例中楼宇的每个楼层还可以包括地下车库，都要进行对应的划分和采样，每一层数据采集的时间不低于20分钟。且每个楼宇外围100米内范围内也可以进行区域划分和采样，楼宇外围的采样点不低于500个。越趋于全面的采样数据，越利于训练得到更为精确的神经网络模型，得到的定位结果也就越准确。
通过对采样点的数据采集，获取采样点的常驻用户原始日志数据(即log数据)，该常驻用户原始日志数据中包含第二时间数据、用户特征数据、用户所在楼宇区域的区域特征数据等。其中第二时间数据可以是采样时间数据，用户特征数据可以包括用户的IMSI(International Mobile Subscriber Identification Number，国际移动用户识别码)，用户所在楼宇区域的区域特征数据可以包括区域的标识(即栅格ID)、以及区域中的通信工参数据等。然后对常驻用户原始日志数据进行解析，除了用户特征数据外，可以得到包含楼宇每一层及楼宇外围的区域特征数据与采样时间对应的室分数据信息。本实施例给出一个示例如表1所示。
训练模块200具体还用于通过预设的干扰样本剔除规则，对室分数据进行数据清洗。
对采集的室分数据样本进行清洗，可以去除干扰样本数据，降低异常或个例数据在训练过程中，对神经网络模型的影响。
其中预设的干扰样本剔除规则，是对符合以下特征的数据进行删除：
栅格内对应主服小区所在位置距离栅格对应区域超过1公里范围；
栅格内对应的信号强度排名前6的邻小区所在位置，距离栅格对应区域超过1.5公里范围；
栅格内对应的主服小区信号强度(即RSRP，下同)低于-95；
栅格内对应邻小区信号强度高于主服小区信号强度；
栅格内对应邻小区信号强度低于-120；
栅格内对应主服小区信号强度、邻小区信号强度不完整。
训练模块200具体还用于将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇、区域、和/或用户在楼宇或区域之间的轨迹。
将采样的室分数据输入到神经网络模型，基于神经网络MLP(Multi-LayerPerceptron)算法，利用采样数据构建特征序列对神经网络进行学习训练建模，用于对用户进行楼宇定位。
在对神经网络的训练建模过程中，可以按各区域的不同主服小区分类，得到小区列表。然后对常驻用户采样的室分数据中的小区场强信息形成对应的小区主服信息及邻区RSRP向量，将室分数据对应的楼宇为相应训练标签，对每一个测试样本进行特征学习。
其中训练模块200可以用于实施图2示出的楼宇的用户定位方法中的步骤S400，完成图3示出的训练步骤中的S401-S404的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
获取模块201获取用户的周期性MRO数据，MRO数据至少包括第一时间数据(即MRO数据的上传时间)和用户标识数据，还包括通信工参测量数据(例如可以包括基站工参数据和邻区信息)。
用户终端设备上传的周期性MRO数据作为用户测量报告，除了用户终端设备的UUID和上传时间(即上述第一时间信息)外，主要包括的是用户所在位置的基站工参和邻区信息等，且由于移动通信网络运营商服务器通常会周期性获取用户终端设备上报的MRO数据，所以本实施例方法，利用当前用户的MRO数据，通过将MRO数据导入步骤S400训练的神经网络模型，基于楼宇用户特征与区域特征的关联匹配，快速锁定用户的位置，或者获取多个位置形成用户的活动轨迹，实现楼宇室分用户位置定位。
获取模块201解析所述MRO数据，并通过信令数据关联得到用户特征数据。其中MRO数据中实际包含很多参数，本实施例中解析出需要的上述第一时间数据、用户标识数据以及通信工参数据后，通过信令数据关联得到用户特征数据。本实施例中，信令数据可以为LTE网络中保存在网元接口中的中间表。该中间表保存有用户标识数据(即UUID)与用户特征户数数据(即IMSI)的对应关系，因此根据预设的中间表进行对应关联用户标识数据与用户特征数据，得到基于用户特征数据的MRO数据向量文件，如表2所示。
获取模块201可以用于实施图1示出的楼宇的用户定位方法中的步骤S100中各个步骤，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
输入模块202将所述将MRO数据输入预设的神经网络模型。本实施中，可以将上述得到的MRO数据向量文件中的各特征参数，对应输入到训练好的神经网络模型中，以定位出用户所在楼宇或楼宇中的区域位置。
输入模块202可以用于实施图1示出的楼宇的用户定位方法中的步骤S200中各个步骤，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
定位模块203通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
得到的MRO数据向量文件中的各特征参数输入到神经网络模型后，由于包含用户标识(UUID)关联的用户特征数据(IMSI)，包含时间数据以及包含所在区域的通信工参数据等，所以进入到训练好的神经网络模型中，能够根据这些数据进行一致性对应匹配，确定出用户在某个时间所在的区域，该区域可以通过通信工参的一致性确定，定位结果更加准确。且该区域是基于楼宇的空间经纬度划分，所以确定该区域即确定了对应经纬度的楼宇具体位置，这样通过训练好的神经网络模型，在获取到用户的周期性MRO数据后，就可以快速识别出该用户所在的楼宇位置，该位置可以是具体的区域，但也可以是楼宇，取决于实际应用时对楼宇空间的区域划分。定位结果的一个示例可以如表3所示。
本公开实施例提出的楼宇的用户定位装置，可以通过机器学习方法建立神经网络模型，结合用户上报的周期性MRO数据，识别出用户在楼宇内的活动轨迹及位置，进而实现用户在特定时间段内楼宇精确定位，在用户楼宇室内发生安全类问题后，可以根据无线通信网络信息快速锁定和识别楼宇相关联用户，更加高效，准确率更高，可用于疑似人。
第三方面，本公开实施例提供了一种楼宇的用户定位设备，图7示出了本公开实施例提供的楼宇的用户定位设备的硬件结构示意图。
在楼宇的用户定位设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地，上述处理器301可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本公开实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器302可以包括可移除或不可移除(或固定)的介质，或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
存储器302可以包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现图2所示实施例中的方法/步骤S100至S400，并达到图2所示实例执行其方法/步骤达到的相应技术效果，为简洁描述在此不再赘述。
在一个示例中，楼宇的用户定位设备还可包括通信接口303和总线310。其中，如图7所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303，主要用于实现本公开实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者，将楼宇的用户定位设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industry Standard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本公开实施例描述和示出了特定的总线，但本公开考虑任何合适的总线或互连。
另外，结合上述实施例中的楼宇的用户定位方法，本公开实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种楼宇的用户定位方法。
需要明确的是，本公开并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本公开的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本公开的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本公开的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本公开中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本公开不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本公开的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本公开的保护范围之内。
Claims (10)
1.一种楼宇的用户定位方法，其特征在于，包括：
获取用户的周期性MRO数据，所述MRO数据至少包括第一时间数据和用户标识数据；
将所述MRO数据输入预设的神经网络模型；所述神经网络模型为通过楼宇的室分数据训练的模型，所述室分数据包括第二时间数据、所述楼宇中若干区域的区域特征数据，以及所述区域中的用户特征数据；
通过所述神经网络模型，将所述用户标识数据与所述用户特征数据进行对应关联，并根据所述第一时间数据与所述第二时间数据的一致性，确定所述区域特征数据，并通过所述区域特征数据对所述用户进行定位。
2.根据权利要求1所述的楼宇的用户定位方法，其特征在于，在所述将所述MRO数据输入预设的神经网络模型之前，所述方法还包括，训练所述神经网络模型；
所述训练所述神经网络模型具体包括：
对预设范围内的所述楼宇的空间进行划分，得到每个楼宇的若干个所述区域；
对均布在所述区域中的若干个采样点进行数据采集，得到所述楼宇的所述室分数据；
将所述室分数据输入到所述神经网络模型，对所述神经网络模型进行训练，使得所述神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
3.根据权利要求2所述的楼宇的用户定位方法，其特征在于，所述将所述用户标识数据与所述用户特征数据进行对应关联时，根据预设的中间表进行对应关联；所述中间表中包含所述用户标识数据与所述用户特征数据的对应关系。
4.根据权利要求2所述的楼宇的用户定位方法，其特征在于，所述将所述室分数据输入到所述神经网络模型之前，所述方法还包括：
通过预设的干扰样本剔除规则，对所述室分数据进行数据清洗。
5.根据权利要求1-4任一项所述的楼宇的用户定位方法，其特征在于，所述区域特征数据包括所述区域的标识、以及所述区域中的通信工参数据；所述MRO数据中还包括通信工参测量数据；
所述通过所述区域特征数据对所述用户进行定位之前，所述定位方法还包括：
将所述通信工参测量数据与所述区域中的通信工参数据进行一致性匹配。
6.一种楼宇的用户定位装置，其特征在于，包括：
获取模块，用于获取用户的周期性MRO数据，所述MRO数据至少包括第一时间数据和用户标识数据；
输入模块，用于将所述MRO数据输入预设的神经网络模型；所述神经网络模型为通过楼宇的室分数据训练的模型，所述室分数据包括第二时间数据、所述楼宇中若干区域的区域特征数据，以及所述区域中的用户特征数据；
定位模块，用于通过所述神经网络模型，将所述用户标识数据与所述用户特征数据进行对应关联，并根据所述第一时间数据与所述第二时间数据的一致性，确定所述区域特征数据，并通过所述区域特征数据对所述用户进行定位。
7.根据权利要求6所述的楼宇的用户定位装置，其特征在于，所述装置还包括：训练模块，用于训练所述神经网络模型；所述训练模块具体用于：
对预设范围内的所述楼宇的空间进行划分，得到每个楼宇的若干个所述区域；
对均布在所述区域中的若干个采样点进行数据采集，得到所述楼宇的所述室分数据；
将所述室分数据输入到所述神经网络模型，对所述神经网络模型进行训练，使得所述神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
8.根据权利要求6或7所述的楼宇的用户定位装置，其特征在于，所述区域特征数据包括所述区域的标识、以及所述区域中的通信工参数据；所述MRO数据中还包括通信工参测量数据；
所述定位模块具体还用于：
将所述通信工参测量数据与所述区域中的通信工参数据进行一致性匹配。
9.一种楼宇的用户定位设备，其特征在于，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-5任意一项所述的楼宇的用户定位方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的楼宇的用户定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011416751.3A CN114599082A (zh) | 2020-12-07 | 2020-12-07 | 楼宇的用户定位方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011416751.3A CN114599082A (zh) | 2020-12-07 | 2020-12-07 | 楼宇的用户定位方法、装置、设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114599082A true CN114599082A (zh) | 2022-06-07 |
Family
ID=81811969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011416751.3A Pending CN114599082A (zh) | 2020-12-07 | 2020-12-07 | 楼宇的用户定位方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114599082A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107889210A (zh) * | 2016-09-30 | 2018-04-06 | 中国电信股份有限公司 | 楼宇用户定位方法和系统 |
| CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
| CN110913408A (zh) * | 2019-10-22 | 2020-03-24 | 北京拓明科技有限公司 | 一种基于mro的室内弱覆盖定位分析方法及系统 |
| CN111356147A (zh) * | 2018-12-05 | 2020-06-30 | 中国移动通信集团广西有限公司 | 一种室分小区故障定位方法及装置 |
| CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | 中国移动通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-07 CN CN202011416751.3A patent/CN114599082A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107889210A (zh) * | 2016-09-30 | 2018-04-06 | 中国电信股份有限公司 | 楼宇用户定位方法和系统 |
| CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
| CN111356147A (zh) * | 2018-12-05 | 2020-06-30 | 中国移动通信集团广西有限公司 | 一种室分小区故障定位方法及装置 |
| CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | 中国移动通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
| CN110913408A (zh) * | 2019-10-22 | 2020-03-24 | 北京拓明科技有限公司 | 一种基于mro的室内弱覆盖定位分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109982366B (zh) | 基于大数据的目标价值区域分析方法、装置、设备及介质 | |
| CN109996278B (zh) | 道路网络质量评估方法、装置、设备及介质 | |
| CN109996181B (zh) | 基于大数据的立体室内定位方法、装置、设备及介质 | |
| CN106792465A (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
| US20130065615A1 (en) | Location measuring method and apparatus using access point for wireless local area network service | |
| CN109874104B (zh) | 用户位置定位方法、装置、设备及介质 | |
| CN112788524A (zh) | 对象查询方法、装置、设备及存储介质 | |
| CN111465093A (zh) | 指纹定位方法、装置、电子设备及计算机存储介质 | |
| CN111866847B (zh) | 移动通信网络数据分析方法、设备及计算机存储介质 | |
| CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
| CN112995893B (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
| CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
| CN108574927B (zh) | 一种移动终端定位方法及装置 | |
| CN108573265B (zh) | 人流量统计方法及统计系统 | |
| CN114599082A (zh) | 楼宇的用户定位方法、装置、设备及计算机存储介质 | |
| Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
| CN109982373B (zh) | Lte频繁回落点分析方法、装置、计算设备及存储介质 | |
| CN109993556B (zh) | 用户行为分析方法、装置、计算设备及存储介质 | |
| CN109874170B (zh) | 地理坐标系盲检测方法、装置、设备及介质 | |
| CN114079938B (zh) | 干扰源定位方法、装置、设备及存储介质 | |
| CN111356152B (zh) | 基站位置矫正方法、装置、设备及介质 | |
| CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
| CN111372309B (zh) | 一种基于lte信号的定位方法、装置及可读存储介质 | |
| CN115310735A (zh) | 商圈边界识别的方法、装置、设备及存储介质 | |
| CN112566013A (zh) | 目标设备的定位方法、装置、设备及计算机存储介质 |
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 |