CN115665665A - 移动路径识别方法、识别装置、电子设备和可读存储介质 - Google Patents
移动路径识别方法、识别装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115665665A CN115665665A CN202211288419.2A CN202211288419A CN115665665A CN 115665665 A CN115665665 A CN 115665665A CN 202211288419 A CN202211288419 A CN 202211288419A CN 115665665 A CN115665665 A CN 115665665A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- path
- user
- xdr
- 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
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种移动路径识别方法、识别装置、电子设备和可读存储介质,涉及无线通信技术领域。其中,用户移动路径识别方法包括:基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,MR数据基于用户终端的通信上报信息获取;将MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;将获取到的实时出行路径数据映射至异常栅格区域,得到用户终端移动的候选路径;基于优化的隐马尔可夫HMM模型从候选路径中识别出用户终端的实际移动路径。通过本公开的技术方案,能够可靠地识别出用户终端的实际移动路径。
Description
技术领域
本公开涉及无线通信技术领域,尤其涉及一种用户移动路径识别方法、一种用户移动路径识别装置、一种电子设备和一种计算机可读存储介质。
背景技术
用户由于通信网络异常进行投诉常常道路上移动时进行,目前投诉处理过程基本为全人工处理,由于很难获取用户的准确位置,并且用户在道路移动过程中无线信号传播环境变化快造成误差较大,处理投诉的网络优化工程师很难获取用户准确的移动路径,只能采用在投诉地点附近大面积区域进行DT(DriveTest:驱车测试)或CQT(CallQualityTest:呼叫质量拨打测试) 盲测,导致对投诉进行处理的效果较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用户移动路径识别方法、一种用户移动路径识别装置、一种电子设备和一种计算机可读存储介质,至少在一定程度上克服由于相关技术中具有圆形轨迹的检测目标的检测准确率不高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种用户移动路径识别方法,包括:基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到 MR关联数据,其中,所述MR数据基于用户终端的通信上报信息获取;将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径;基于优化的隐马尔可夫 HMM模型从所述候选路径中识别出所述用户终端的实际移动路径。
在一些实施例中,所述基于关联模型将采集到的MR数据与对应的 XDR数据执行关联操作,得到MR关联数据包括:采集与所述MR数据处于相同时间和相同区域的XDR数据;基于所述关联模型将所述MR数据与所述XDR数据进行关联操作,得到所述MR关联数据。
在一些实施例中,所述采集与所述MR数据处于相同时间和相同区域的XDR数据包括:定时监控采集服务器的采集状态信息,以使所述采集服务器在正常状态下采集所述MR数据和所述XDR数据,其中,所述采集状态信息包括配置信息和数据采集过程的数据传输监控信息。
在一些实施例中,还包括:将基站侧的用户S1AP标识确定为关联字段,其中,在所述基站侧将所述用户S1AP标识配置为非短码。
在一些实施例中,所述基于所述关联模型将所述MR数据与所述XDR 数据进行关联操作,得到所述MR关联数据包括:对所述MR数据与所述 XDR数据进行无效数据清洗,得到MR清洗数据和XDR清洗数据;基于所述关联字段将所述MR清洗数据和所述XDR清洗数据进行首次关联处理;将首次关联处理中未关联上的所述MR清洗数据记为未关联数据,对所述未关联数据基于采集时长分别进行向前滑窗搜索和向后滑窗搜索,得到搜索数据;对所述搜索数据进行合并与去重处理,得到处理后的搜索数据;对所述处理后的搜索数据和所述XDR清洗数据进行二次关联处理;基于所述首次关联处理的处理结果和所述二次关联处理的处理结果将所述 MR数据中的测量信息和位置信息写入关联的所述XDR数据的数据表,以得到所述MR关联数据。
在一些实施例中,所述基于所述关联模型将所述MR数据与所述XDR 数据进行关联操作,得到所述MR关联数据,还包括:基于MME类型、 HTTP类型和COMMOM类型,对所述XDR数据进行分类处理,得到 MME数据、HTTP数据和S1_COMMON数据;将所述MR数据与所述 MME数据执行MME_MR关联操作;将所述MR数据与所述HTTP数据执行HTTP_MR关联操作;将所述MR数据与所述S1_COMMON数据执行 COMMON_MR关联操作,得到所述MR关联数据。
在一些实施例中,所述将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域包括:基于交叉验证操作对K最近邻KNN模型执行优化,得到KNN优化模型;从所述MR 关联数据中提取所述用户终端的主小区RSRP和邻区RSRP,作为MR电平数据;基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域。
在一些实施例中,所述基于交叉验证操作对K最近邻KNN模型执行优化,得到KNN优化模型包括:将获取到的MR训练集划分为K份,将 K份MR训练集中的1份确定为验证集,将其它的K-1份确定为训练集,以执行模型训练;重复执行K次所述模型训练,以得到K个所述KNN模型和对应的K个评分;基于K个所述KNN模型和对应的所述K个评分执行模型优化,得到所述KNN优化模型。
在一些实施例中,所述指定尺寸为大于或等于20m,并小于或等于 25m。
在一些实施例中,所述基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域具体包括:基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到候选栅格区域;获取基于对所述通信上报信息识别得到的描述位置;从所述候选栅格区域中过滤掉与所述描述位置之间的距离大于距离阈值的无效栅格,得到第一栅格区域;从所述第一栅格区域中过滤掉无主覆盖小区覆盖的无效栅格,得到第二栅格区域,作为所述异常栅格区域。
在一些实施例中,在基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域之前,还包括获取多个栅格区域的CQT拨打测试数据、DT路测数据、 MDT移动设备测量数据和OTT数据,并作为训练数据;基于所述训练数据进行模型训练,生成传播模型;基于所述传播模型计算每个所述栅格区域的小区强度;基于所述小区强度创建所述MR指纹库。
在一些实施例中,所述将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径包括:获取与所述通信上报信息的上报时间临近的两点处的所述用户终端的终端MR数据;基于所述终端MR数据计算用户移动速率;将所述用户移动速率与所述实时出行路径数据进行匹配操作;将匹配结果映射至所述异常栅格区域,得到所述候选路径。
在一些实施例中,在基于关联模型将采集到的MR数据与对应的XDR 数据执行关联操作之前,还包括:将获取到的用户投诉语音转换为投诉文本,以基于所述投诉文本生成所述通信上报信息;以及对所述投诉文本进行自然语言处理,以识别出用户投诉的描述位置。
在一些实施例中,所述基于优化的隐马尔可夫HMM模型从所述候选路径中识别出所述用户终端的实际移动路径包括:将所述描述位置确定为观测点,将所述候选路径确定为隐藏状态,以计算所述描述位置对所述候选路径的观测概率;基于堆优化的Dijkstra算法计算每条所述候选路径的转移概率;将所述观测概率和所述转移概率输入维特比计算模型,以计算对应的维特比概率,并基于所述维特比概率确定所述候选路径中搜索出所述实际移动路径。
在一些实施例中,所述计算所述描述位置对所述候选路径的观测概率包括:基于小区编码将所述MR关联数据分别与获取到的网络性能数据和网络告警数据进行关联得到初始样本数据;分析关联的所述网络性能数据对所述MR关联数据的影响,以基于分析结果对所述MR关联数据进行权重标记,以基于权重标记从所述初始样本数据中筛选出性能样本数据;从所述性能样本数据中提取出与指定告警类型对应的所述性能样本数据,并作为目标性能数据;获取与所述候选路径相关的所述目标性能数据,以基于相关的所述目标性能数据计算所述观测概率。
在一些实施例中,所述基于堆优化的Dijkstra算法计算每条所述候选路径的转移概率包括:基于所述堆优化的Dijkstra算法计算不同的所述候选路径之间的路径距离以及大圆距离;基于所述路径距离,所述大圆距离以及所述候选路径之间对应的时间间隔,计算所述转移概率。
根据本公开的另一个方面,提供一种用户移动路径识别装置,包括:关联模块,用于基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,所述MR数据基于用户终端的通信上报信息获取;匹配模块,用于将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;映射模块,用于将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径;识别模块,用于基于优化的隐马尔可夫HMM模型从所述候选路径中识别出所述用户终端的实际移动路径。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述第二方面技术方案中任意一项的所述的用户移动路径识别方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的用户移动路径识别方法。
本公开的实施例所提供的用户移动路径识别方法和装置,在获取到用户终端的通信上报信息时,通过获取MR数据,并将MR数据与对应的 XDR数据进行关联,得到MR关联数据,采用MR关联数据实现对用户粗略定位,得到用户终端移动的候选路径的同时,还可以进一步在基于 HMM模型识别用户的实际移动路径的过程中提升HMM模型的识别操作稳定性和识别效率,进而在获取到通信上报信息时,能够可靠地识别出用户终端的实际移动路径,在实现对移动用户的可靠定位的同时,针对基于用户投诉得到通信上报信息的场景,也能够快速基于对用户的准确定位进行投诉响应,进而提升用户投诉处理效率,并有效节省投诉问题的人工处理成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种用户移动路径识别方法的流程图;
图2示出本公开实施例中另一种用户移动路径识别方法的流程图;
图3示出本公开实施例中一种MR数据与XDR数据进行关联的示意图;
图4示出本公开实施例中再一种用户移动路径识别方法的流程图;
图5示出本公开实施例中一种基于MR指纹库进行栅格匹配的示意图;
图6示出本公开实施例中又一种用户移动路径识别方法的流程图;
图7示出本公开实施例中用户移动路径识别方案的投诉位置GIS定位示意图;
图8示出本公开实施例中用户移动路径识别方案的候选栅格区域示意图;
图9示出本公开实施例中用户移动路径识别方案的无效栅格区域过滤的示意图;
图10示出本公开实施例中用户移动路径识别方案的候选路径示意图;
图11示出本公开实施例中用户移动路径识别方案的用户终端的实际移动路径示意图;
图12示出本公开实施例中一种用户移动路径识别装置的示意图;
图13示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
目前基于接收信号强度的对移动通信用户进行定位已成为研究热点,然而由于信号瑞利衰落、频繁切换、上下行干扰等因素,会出现定位数据误差大、无效点较多、路网匹配难等问题。
下面,将结合附图及实施例对本示例实施方式中的用户移动路径识别方法的各个步骤进行更详细的说明。
如图1所示,根据本公开的一个实施例的用户移动路径识别方法,包括:
步骤S102,基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,MR数据基于用户终端的通信上报信息获取。
其中,关联模型指包括不限于关联方式和关联字段等。
XDR数据包括CDR(Call Detail Records)呼叫详细记录和TDR (ransactionDetail Record)事务详细记录。
MR(Measurement Report,测量报告)数据是用户终端所测量的网络原始数据,测量报告携带了上下行无线链路的相关信息,包括RSCP (Receive Signal Channel Power,接收信号码功率)、ISCP(Interference Signal Code Power,干扰信号码功率)、BLER(block error rate,误块率) 和发射功率等。MR数据提供了某小区下用户终端使用时的信号电平情况,能有效提供小区的整体覆盖情况。
另外,通过将MR数据和XDR数据进行关联,得到MR关联数据,将MR关联数据用于对用户位置的定位,以及检测对下述的候选路径的观测概率,有利于提升对用户移动路径进行定位的精度。
通信上报信息可以用户因为通信异常主动上报的投诉信息,也可以为室外高速运动的用户终端上报的信息,或基于虚拟路测上报的通信信息。步骤S104,将MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域。
其中,MR指纹库中包括每个已知位置点,指纹特征信息主要包括周围各小区到该位置点的信号强度信息,通过采用MR关联数据与MR指纹库中的指纹匹配,基于匹配的结果即可得到候选的通信上报信息对应的异常栅格区域。
步骤S106,将获取到的实时出行路径数据映射至异常栅格区域,得到用户终端移动的候选路径。
其中,实时出行路径数据包括互联网路网信息及实时路况信息,其中,互联网路网信息包括通过电子地图获取与解析获得道路网中的道路级别信息标签,实时路况信息通过互联网出行数据获取,为进一步修正电子地图中道路等级速度限制,并充分考虑道路实时拥堵对速度的影响。基于出行导航APP的接口,按15min粒度抓取地图道路拥堵度,包括时间、道路,拥堵情况等。
步骤S108,基于优化的隐马尔可夫HMM模型从候选路径中识别出用户终端的实际移动路径。
其中,HMM模型可以包括观测概率计算模型、转移概率计算模型和维特比概率计算模型,基于得到的维特比概率,得到概率最大的候选路径,即为用户终端的实际移动路径。
在本公开中,优化的HMM模型,则指对观测概率计算模型、转移概率计算模型和维特比概率计算模型中的一种进行优化得到的HMM模型。
在该实施例中,在获取到用户终端的通信上报信息时,通过获取MR 数据,并将MR数据与对应的XDR数据进行关联,得到MR关联数据,采用MR关联数据实现对用户粗略定位,得到用户终端移动的候选路径的同时,还可以进一步在基于HMM模型识别用户的实际移动路径的过程中提升HMM模型的识别操作稳定性和识别效率,进而在获取到通信上报信息时,能够可靠地识别出用户终端的实际移动路径,在实现对移动用户的可靠定位的同时,针对基于用户投诉得到通信上报信息的场景,也能够快速基于对用户的准确定位进行投诉响应,进而提升用户投诉处理效率,并有效节省投诉问题的人工处理成本。
在一些实施例中,基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据包括:采集与MR数据处于相同时间和相同区域的XDR数据;基于关联模型将MR数据与XDR数据进行关联操作,得到MR关联数据。
在一些实施例中,采集与MR数据处于相同时间和相同区域的XDR数据包括:定时监控采集服务器的采集状态信息,以使采集服务器在正常状态下采集MR数据和XDR数据,其中,采集状态信息包括配置信息和数据采集过程的数据传输监控信息。
在该实施例中,通过加强MR数据和XDR数据的采集传输过程的监管,保证采集配置无误,数据不丢失,从而提升数据质量,进而有利于提升数据关联的成功率。
具体地,为了提升数据关联的成功率,需要对采集到的XDR数据和 MR数据的质量进行把控,提高数据的采全率和质量,将无效数据的占比降到最低,才能提升数据的关联率和准确率。通过对数据质量进行监管,比如按时监控采集服务器的状态,保证XDR和MR数据在采集时不会发生文件的丢失,可以排查MR/XDR采集侧的原因,查看基站的配置、查看数据传输过程是否有文件丢失等,提升数据的采全率,排查MR数据采集侧的原因,解决后也可以提升XDR数据和MR数据的关联准确率。
在一些实施例中,还包括:将基站侧的用户S1AP标识确定为关联字段,其中,在基站侧将用户S1AP标识配置为非短码。
其中,S1AP ID是UE上下文中的内容,是S1AP消息中的用户索引。
在该实施例中,由于关联时默认短码的MME(Mobility Management Entity,网络节点)_UES1APID无效,短码的数据将会被清洗掉,为了提升XDR数据和MR数据的关联准确率,将基站侧上报的作为关联字段的 MME_UES1APID限定为不能为短码。
另外,通过清洗掉无效数据,比如小区号为空的数据、开始时间/结束时间不合理的数据以及MME_UES1APID,也有利于保证剩余的数据关联的可靠性。
在一些实施例中,如图2所示,步骤S102中基于关联模型将MR数据与XDR数据进行关联操作,得到MR关联数据的一种具体实现方式,包括:
步骤S202,对MR数据与XDR数据进行无效数据清洗,得到MR清洗数据和XDR清洗数据。
步骤S204,基于关联字段将MR清洗数据和XDR清洗数据进行首次关联处理。
步骤S206,将首次关联处理中未关联上的MR清洗数据记为未关联数据,对未关联数据基于采集时长分别进行向前滑窗搜索和向后滑窗搜索,得到搜索数据。
步骤S208,对搜索数据进行合并与去重处理,得到处理后的搜索数据。
步骤S210,对处理后的搜索数据和XDR清洗数据进行二次关联处理。
步骤S212,基于首次关联处理的处理结果和二次关联处理的处理结果将MR数据中的测量信息和位置信息写入关联的XDR数据的数据表,以得到MR关联数据。
其中,将MR数据中的测量信息和位置信息写入关联的XDR数据的数据表,实现数据回填,数据回填就是通过表格、表单和列表展现出数据,并对数据进行操作后保存到对应的数据库表中。
另外,通过关联字段MME_UE_S1AP_ID将同一时间、同一地点和同一用户的XDR数据和MR数据联系起来,并回填所要分析的信令字段和业务字段,以得到MR关联数据。
在该实施例中,关联过程分为2个过程,第一个过程将使用关联字段 MME_UE_S1AP_ID对XDR数据和MR数据进行关联,对于没有关联上的部分进行第二次关联,在第二次关联过程中,对当前的MR数据开始前20 min以及结束时间后的20min分别进行滑窗搜索,得到向前滑窗搜索结果和向后滑窗搜索结果,对搜索结果执行合并、去重以及回填操作,将对应的MR数据中的测量信息、位置信息填写到存储XDR感知数据的表中,完成回填,得到MR关联数据,上述操作有利于提升数据关联率和关联后的数据准确率。
在一些实施例中,基于关联模型将MR数据与XDR数据进行关联操作,得到MR关联数据,还包括:基于MME类型、HTTP类型和 COMMOM类型,对XDR数据进行分类处理,得到MME数据、HTTP数据和S1_COMMON数据;将MR数据与MME数据执行MME_MR关联操作;将MR数据与HTTP数据执行HTTP_MR关联操作;将MR数据与 S1_COMMON数据执行COMMON_MR关联操作,得到MR关联数据。
具体地XDR数据与MR数据的关联有3种,分别为MME_MR关联、 HTTP_MR关联和COMMON_MR关联,每种关联的区别在于XDR数据不同,分别是MME数据、HTTP数据和S1_COMMON数据,并且每种关联中均包括预处理—关联—回填的过程。
如图3所示,将XDR数据与MR数据进行关联,具体的关联对象为 XDR数据关键参数和MR数据关键参数,其中,
XDR数据关键参数包括IMSI(International Mobile Subscriber Identity, 国际移动用户识别码)、ECGI(E-UTRAN小区全局标识符)、MME Group ID、MME Code和MME USS1AP ID。
MR数据关键参数包括MME Group ID、MME Code、MME US S1AP ID、AOA(Angle ofArrival,到达角度测距)和TA(time advanced,最大时间提前量)值。
另外,关联参数还包括时间、精度和纬度等。
如图4所示,在一些实施例中,步骤S104,将MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域的一种具体实现方式,包括:
步骤S402,基于交叉验证操作对K最近邻KNN模型执行优化,得到 KNN优化模型。
步骤S404,从MR关联数据中提取用户终端的主小区RSRP和邻区 RSRP,作为MR电平数据。
步骤S406,基于KNN优化模型将MR电平数据与MR指纹库中的指纹执行匹配定位,得到指定尺寸的异常栅格区域。
在一些实施例中,指定尺寸为大于或等于20m,并小于或等于25m。
在该实施例中,通过设置KNN优化模型,将MR关联数据输入KNN 优化模型,以输出多个栅格级(20m*20m)的用户投诉区域,基于XDR 数据与MR数据的关联以及基于KNN的MR指纹定位技术的应用,可以将80%的MR关联数据定位到栅格(20m*20m),实现了匹配率和精度的提升。
在一些实施例中,基于交叉验证操作对K最近邻KNN模型执行优化,得到KNN优化模型包括:将获取到的MR训练集划分为K份,将K份MR 训练集中的1份确定为验证集,将其它的K-1份确定为训练集,以执行模型训练;重复执行K次模型训练,以得到K个KNN模型和对应的K个评分;基于K个KNN模型和对应的K个评分执行模型优化,得到KNN优化模型。
在该实施例中,由于K折交叉验证是最基本的交叉验证方法。是将训练集随机分成K份,取其中一份为验证集评估模型,其余K-1份为训练集训练模型,重复该步骤K次,每次取一份不同的子集为验证集,最终得到 K个不同的模型和K个评分,综合k个模型的表现实现KNN模型的优化,得到KNN优化模型。
在一些实施例中,基于KNN优化模型将MR电平数据与MR指纹库中的指纹执行匹配定位,得到指定尺寸的异常栅格区域具体包括:
基于KNN优化模型将MR电平数据与MR指纹库中的指纹执行匹配定位,得到候选栅格区域。
如图5所示,假设有多个地理栅格,包括地理栅格1、地理栅格2、地理栅格3和地理栅格4等。
基于多个地理栅格的MR指纹构建MR指纹库,MR指纹包括栅格信号强度。
在得到用户终端的通信上报信息后,基于上报信息进行数据关联,得到MR关联数据,基于MR关联数据中的MR电平数据,分别与多个地理栅格的栅格信号强度进行求差值运算,得到对应的信号强度差值,通过进一步进行最小欧式距离计算,得到具有最小欧式距离的地理栅格,比例为栅格3,则将栅格3确定为候选栅格区域。
具体地,由于XDR数据与MR数据的关联后字段大部分不包含位置信息,需要对MR数据进行定位处理,另外,由于终端在每一个位置都会观测到一组小区的信号强度样本值,大量样本值信息的集合,即形成了 MR指纹库。
进一步地,利用优化后的KNN(k-nearest neighbor)模型,根据MR 报告中的主服务小区RSRP和邻区RSRP匹配指纹库中的数据,即得到MR 上报时的位置信息,实现MR数据的定位。
获取基于对通信上报信息识别得到的描述位置。
从候选栅格区域中过滤掉与描述位置之间的距离大于距离阈值的无效栅格,得到第一栅格区域。
从第一栅格区域中过滤掉无主覆盖小区覆盖的无效栅格,得到第二栅格区域,作为异常栅格区域。
在该实施例中,针对定位出的栅格区域,基于距离算法,首先过滤掉无效栅格,比如过滤掉与描述位置之间的距离大于1km的栅格,然后基于栅格的主覆盖小区,再一次过滤无效栅格,上述两层过滤操作能够过滤掉 30%的无效栅格,缩小了用于识别的用户位置的范围,进而有利于提升用户移动路径的识别可靠性。
在一些实施例中,在基于KNN优化模型将MR电平数据与MR指纹库中的指纹执行匹配定位,得到指定尺寸的异常栅格区域之前,还包括:获取多个栅格区域的CQT拨打测试数据、DT路测数据、MDT移动设备测量数据和OTT数据,并作为训练数据;基于训练数据进行模型训练,生成传播模型;基于传播模型计算每个栅格区域的小区强度;基于小区强度创建MR指纹库。
在该实施例中,指纹库中的数据来源包括CQT拨打测试数据、DT路测数据、MDT移动设备测量数据以及OTT数据等,由于采集的局限性,指纹库中的数据无法覆盖所有的区域,所以需要利用这些准确的数据来训练传播模型,获得最逼近真实无线环境的传播模型,利用该模型计算所有栅格里面各小区的强度,然后补充到指纹库中,使得指纹库中的数据可以覆盖全网区域,通过对MR指纹库的优化,能够提升MR指纹库的数据质量、减少无效样本数量,进而提升基于MR指纹库进行定位的定位可靠性。
在一些实施例中,将获取到的实时出行路径数据映射至异常栅格区域,得到用户终端移动的候选路径包括:
获取与通信上报信息的上报时间临近的两点处的用户终端的终端MR 数据。
基于终端MR数据计算用户移动速率,具体包括:
选取疑似移动用户指纹定位数据,进一步基于DPI单据S1_HTTP中 HOST链接过滤出特定OTT的down-load_http_contentupload_http_content 内容及用户标识,提取该用户经纬度,进一步通过经纬度转换可以获取高置信度经纬度,利用定位经纬度值及时间戳,得到任意两点间速度值,以进一步得到用户移动速率。
将用户移动速率与实时出行路径数据进行匹配操作。
其中,实时出行路径数据包括互联网路网信息获取,通过电子地图获取与解析获得道路网中的道路级别信息标签的数值。
将匹配结果映射至异常栅格区域,得到候选路径。
在该实施例中,通过获取的互联网路网信息及实时路况信息,根据投诉用户的投诉时间附近任意两点该用户MR数据计算出用户移动速率与互联网路网及路况信息匹配,结合粗略位置定位结果选出候选道路。
在一些实施例中,在基于关联模型将采集到的MR数据与对应的XDR 数据执行关联操作之前,还包括:将获取到的用户投诉语音转换为投诉文本,以基于投诉文本生成通信上报信息;以及对投诉文本进行自然语言处理,以识别出用户投诉的描述位置。
在该实施例中,针对用户由于通信异常投诉的场景,通过将用户语音转换为投诉文本,并进一步对投诉文本基于自然语言处理进行位置相关信息的识别,识别出用户投诉的描述位置,以结合候选路径,识别出用户终端的实际移动路径。
在一些实施例中,步骤S104中,基于优化的隐马尔可夫HMM模型从候选路径中识别出用户终端的实际移动路径的一种具体实现方式,包括:
将描述位置确定为观测点,将候选路径确定为隐藏状态,以计算描述位置对候选路径的观测概率。
具体地,在基于HMM方法中,地图匹配中每一个定位点与位于预设误差半径内的(采用动态设置误差半径;城区设置50米,农村设置100米) 所有候选路段关联。每个被看作是一个观测状态,并且每个候选路段都表示为一个隐藏状态。更具体地说,一个隐藏状态代表一个候选点,即候选路段上与观测位置最接近的点。每一个隐藏状态被赋予一个观测概率,它表示每个隐藏状态表示的候选点是真实位置时所产生的观测状态的条件概率。观测概率取决于自身与定位点之间的距离。直观地看,离定位点较远的候选点观测概率更低。在真实状态下,定位点与候选点之间的距离存在测量误差,一般假设为零均值高斯分布。对于基于描述位置确定的定位点 Ot与候选路径中的候选点Ct,i,则观测概率如下式(1)所示:
其中,σ指测量距离标准差,g(Ot│Ct,i)指定位点Ot与候选点Ct,i的大圆距离,在低纬度较短距离内,可以近似为二维平面上的欧式距离。
基于堆优化的Dijkstra算法计算每条候选路径的转移概率。
具体地,本发明加入时间距离的方法,相邻指纹定位候选点的时间间隔,以及候选点之间大圆距离的差值,基于道路网络上2点之间的行驶距离时间最短,在此基础上,引入Dijkstra算法。
基于Dijkstra算法计算每条候选路径的转移概率,如式(2)与式(3) 所示。
(Ct,i|Ct+1,j)=e-βym (2)
而β的评估过程如式(4)所示:
其中,d(Ct,i,Ct+1,j)指候选点之间的路径距离,g(Ct,i,Ct+1,j)指候选点之间的大圆距离,i*和j*指路网道路,Δt指候选点之间的时间间隔,β指描述路径距离和大圆的差值。
将观测概率和转移概率输入维特比计算模型,以计算对应的维特比概率,并基于维特比概率确定候选路径中搜索出实际移动路径。
具体地,实际道路用户通常根据目的地以及始发地优先选择费时尽可能少的路线,则整体概率P(O,C)最大的轨迹即为所求的实际移动路径。
P(O,C)=P(c0|o0)Πi=1,...,π[p(ci|oi)p(ci|ci-1)] (5)
其中,P(c0|o0)指初始状态概率。
在隐马尔科夫HMM分析模型中,通过借助维特比计算模型测算出概率最大的隐藏序列,即最优化的匹配轨迹,其在每一步的每个选择都储存了每一个历史步骤到当前步骤的最小总代价或最大价值,以及目前代价状况下每一个历史步骤的选择,进而根据整个定位数据序列中各观测概率及转移概率,利用维特比算法来求解移动轨迹。
在该实施例中,通过构建并隐马尔科夫模型(HMM),能够基于一套全流程的自动解决方案系统解决移动用户投诉问题,进而能够有效节省投诉问题人工处理成本,提升投诉处理效率。
在一些实施例中,计算描述位置对候选路径的观测概率包括:基于小区编码将MR关联数据分别与获取到的网络性能数据和网络告警数据进行关联得到初始样本数据;分析关联的网络性能数据对MR关联数据的影响,以基于分析结果对MR关联数据进行权重标记,以基于权重标记从初始样本数据中筛选出性能样本数据;从性能样本数据中提取出与指定告警类型对应的性能样本数据,并作为目标性能数据;获取与候选路径相关的目标性能数据,以基于相关的目标性能数据计算观测概率。
具体地,在用户投诉网络异常的工况下,说明网络可能存在显性或隐性的问题,而这些问题网络的性能数据及告警数据,能够反映网络健康状况,因此在网络优化过程,结合移动网无线小区性能数据和告警数据进行分析,也有利于有效定位问题。而通过OMC(Operation and Maintenance Center,操作维护中心)网管及监控系统能够采集网络设备的大量性能及网络告警数据。
因此通过应用移动网无线小区性能数据和告警数据,并将大量无效样本进行过滤,则有利于提升观测概率,进而能够提升HMM模型输出结果的准确性。
将MR关联数据,即MR数据和XDR数据通过小区编码cell_id与性能数据以及告警数据进行关联。
在指定数据时间段内数据关联,将MR关联数据与告警数据进行关联,如表1所示。
表1
MR_id/XDR_id | cell_id | 无线告警流水ID | 数据时间段 |
201-1123 | 380711-1 | al2321019991 | 21:00~22:00 |
在指定数据时间段内数据关联,将MR关联数据与性能数据进行关联,如表2所示。
表2
MR_id/XDR_id | cell_id | 性能数据编码 | 数据时间段 |
201-1123 | 380711-1 | 01负荷类 | 21:00~22:00 |
进一步地,根据性能数据分析对MR关联数据的影响,将MR关联数据根据特征进行权重的标记,以筛选出性能样本数据。
其中,性能数据包括但不限于:空口性能类性能指标、设备可用性类性能指标、资源负荷类性能指标、呼叫接入类性能指标以及呼叫保持类性能指标等,通过筛选出权重值较高数据,以应用至维特比计算模型中。
再进一步地,根据告警数据分析对MR关联数据的影响,进一步找出特征数mr/xdr数据,即目标性能数据。
具体地,告警数据包括但不限于判断RRU链路断告警、DU小区退服告警、网元连接中断告警、射频单元维护链路异常告警、射频单元维护链路异常告警、小区不可用告警等,基于上述告警数据,进一步找出目标性能数据。
基于上述的性能数据分析过程,能够过滤掉15%的无效及低效样本数据,基于上述的告警数据分析过程,能够进一步过滤掉10%的无效及低效样本数据,数据样本的减少,有助于在维特比算法中提升每一步路径计算命中率,减少无效的路径的计算。
在该实施例中,通过应用移动网无线小区性能数据以及告警数据增强,观测数据的匹配率和精度提升,整体概率提升5%性能数据、告警数据的应用在大数据运算过程运算效率提升50%,进而缩小了隐藏状态与观测状态距离g(Ot│Ct,i),实现观测概率p(Ot│Ct,i)的提升。
在一些实施例中,基于堆优化的Dijkstra算法计算每条候选路径的转移概率包括:基于堆优化的Dijkstra算法计算不同的候选路径之间的路径距离以及大圆距离;基于路径距离,大圆距离以及所述候选路径之间对应的时间间隔,计算转移概率。
具体地,由于目前常用的转移概率模型受制于候选点相互之间的路径距离与定位点之间大圆距离的差值,因而影响最终的精准率及模型输入结果的稳定性。
在本公开的实施例中,通过加入时间间隔作为时间距离,并基于路网上两点之间的最短时间距离为条件,执行基于堆优化的Dijkstra计算,以提升模型输出的精准率和稳定性。
具体地,堆优化的Dijkstra处理过程,包括:
(1)初始化距离数组dis,具体包括将dis数组初始化为无穷大,并将初始点的距离置为0。
(2)循环n-1次是因为n个点只需添加n-1个点到集合S,每做一次循环添加一个点,所以是循环n-1次。
其中,标记新点加入集合用一个st数组记录加入新点的集合。
dis[i]表示起点s到点i的距离,用新点a去更新起点s到其它点(例如 b点)的最短路径,就是比较dis[a]+(a到b的距离)和dis[b]的大小,并将dis[b]置成两者中的最小值。
(3)在找出距离起点最近的点之后,如果直接遍历剩下的所有点,所以时间复杂度是O(n),通过用堆进行优化,在一堆数字中找出一个最小值,能够将时间复杂度是由O(n)降到O(logn),从而基于dijkstra的堆优化,可以将时间复杂度为O(mn)降为O(mlogn)。
在该实施例中,堆优化的Dijkstra算法实现了对转移概率的优化,使转移概率值得到有效提升,即提升了隐马尔科夫模型的有效性,结合观测概率和维特比概率的计算,实现了将优化后的隐马尔科夫模型(HMM) 应用于构建一套全流程的自动解决方案系统,通过构建并隐马尔科夫模型 (HMM)并在修正观测状态数据质量、提升转移概率、引用告警、性能数据优化维特比算法3个方面提升隐马尔科夫模型的稳定性及效率。然后应用于一套全流程的自动解决方案系统解决移动用户投诉问题,有效节省投诉问题人工处理成本,提升投诉处理效率。
下面基于用户的语音投诉场景,将本公开中的用户移动路径识别方案进行具体描述。
如图6所示,根据本公开的另一个实施例的用户移动路径识别,包括:
步骤S602,应用语音转换模型将用户投诉电话的音频数据转换为文本数据。
例如投诉内容转换成的文本数据包括:A市B镇XXX幼儿园附近4G 上网信号差,有时收不到信号,打电话短信正常。
步骤S604,对文本数据进行文本解析,以提取出用户投诉数据记录的地址。
步骤S606,应用GIS地址库输出与记录的地址对应的七级模式地址,并进行对投诉用户的GIS定位。
表3示出了七级模式地址的示意。
表3
地址 | A市B镇XXX幼儿园附近 |
省 | C |
市 | A |
区 | D |
镇 | B |
路 | XXX |
详细地址 | …… |
图7至图11中分别示出了用户的定位位置,识别位置、以及基站位置。
图7示出了GIS定位的定位结果示意图。
步骤S608,基于文本数据获取包括用户号码的MR数据,与XDR数据进行关联,得到MR关联数据,并作为投诉MR数据。
步骤S610,将投诉MR数据和MR指纹库进行匹配操作,得到候选栅格区域。
图8示出了匹配出的候选栅格区域的示意图,如图中多个方格所示。
步骤S612,过滤掉候选栅格区域中的无线栅格,得到异常栅格区域。
具体地,1)基于投诉用户描述位置过滤掉无效栅格进行定位
基于距离算法,过滤掉无效栅格(栅格与描述位置距离大于1km);
2)基于周围基站信息过滤掉无效栅格进行定位
然后基于栅格的主覆盖小区,再一次过滤无效栅格(基于距离的范围内栅格,栅格的top3小区无以上描述无线小区)。
图9示出了过滤掉无效栅格区域的异常栅格区域。
将未处于基站范围内,以及未处于描述位置的有效范围内的栅格作为无效栅格进行删除,如图9中的黑格所示。
步骤S614,基于异常栅格区域、七级模式地址以及获取到的互联网路网数据和实时路况数据得到用户终端移动的候选路径。
图10示出了基于栅格映射获得的候选路径的示意图,如图10中的黑色虚线线条所示。
步骤S616,将候选路径上的MR关联数据输入HMM模型,得到投诉用户的真实位置,进而得到用户终端的实际移动路径。
图11示出了基于HMM模型得到的用户终端的实际移动路径的示意图,如图11中的黑色虚线线条所示。
在该实施例中,通过转移概率评估及维特比算法得出候选道路中整体概率最大的为最后准确的定位道路,从而得出投诉用户的室外道路真实有效定位,道路范围可精确到200m路段,并且基于实际验证,定位的准确率超过95%,也就是说应用该方案能够有效解决移动用户投诉位置轨迹不准确的难题,改善投诉用户的感知,缩短了网络问题定位解决及解决的时间,大大缩减日常路测和数据分析的工作量,节省了网络优化成本。
下面参照图12来描述根据本发明的这种实施方式的一种用户移动路径识别装置1200。图12所示的用户移动路径识别装置1200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
用户移动路径识别装置1200以硬件模块的形式表现。用户移动路径识别装置1200的组件可以包括但不限于:关联模块1202,用于基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,MR数据基于用户终端的通信上报信息获取;匹配模块1204,用于将MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;映射模块1206,用于将获取到的实时出行路径数据映射至异常栅格区域,得到用户终端移动的候选路径;识别模块 1208,用于基于优化的隐马尔可夫HMM模型从候选路径中识别出用户终端的实际移动路径。
如图13所示,专网分流设备为电子设备,具体为电子设备,电子设备 1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1310执行,使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元1310可以执行如图1中所示的步骤S102与步骤S108所描述的方案。
存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202,还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204,这样的程序模块13205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1360(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备 1300交互的设备通信,和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1340进行。并且,电子设备1300还可以通过网络适配器1350与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1350通过总线1330与电子设备1300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、 RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD- ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者电子设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD- ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者电子设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (19)
1.一种用户移动路径识别方法,其特征在于,包括:
基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,所述MR数据基于用户终端的通信上报信息获取;
将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;
将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径;
基于优化的隐马尔可夫HMM模型从所述候选路径中识别出所述用户终端的实际移动路径。
2.根据权利要求1所述的用户移动路径识别方法,其特征在于,所述基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据包括:
采集与所述MR数据处于相同时间和相同区域的XDR数据;
基于所述关联模型将所述MR数据与所述XDR数据进行关联操作,得到所述MR关联数据。
3.根据权利要求2所述的用户移动路径识别方法,其特征在于,所述采集与所述MR数据处于相同时间和相同区域的XDR数据包括:
定时监控采集服务器的采集状态信息,以使所述采集服务器在正常状态下采集所述MR数据和所述XDR数据,
其中,所述采集状态信息包括配置信息和数据采集过程的数据传输监控信息。
4.根据权利要求2所述的用户移动路径识别方法,其特征在于,还包括:
将基站侧的用户S1AP标识确定为关联字段,
其中,在所述基站侧将所述用户S1AP标识配置为非短码。
5.根据权利要求4所述的用户移动路径识别方法,其特征在于,所述基于所述关联模型将所述MR数据与所述XDR数据进行关联操作,得到所述MR关联数据包括:
对所述MR数据与所述XDR数据进行无效数据清洗,得到MR清洗数据和XDR清洗数据;
基于所述关联字段将所述MR清洗数据和所述XDR清洗数据进行首次关联处理;
将首次关联处理中未关联上的所述MR清洗数据记为未关联数据,对所述未关联数据基于采集时长分别进行向前滑窗搜索和向后滑窗搜索,得到搜索数据;
对所述搜索数据进行合并与去重处理,得到处理后的搜索数据;
对所述处理后的搜索数据和所述XDR清洗数据进行二次关联处理;
基于所述首次关联处理的处理结果和所述二次关联处理的处理结果将所述MR数据中的测量信息和位置信息写入关联的所述XDR数据的数据表,以得到所述MR关联数据。
6.根据权利要求2所述的用户移动路径识别方法,其特征在于,所述基于所述关联模型将所述MR数据与所述XDR数据进行关联操作,得到所述MR关联数据,还包括:
基于MME类型、HTTP类型和COMMOM类型,对所述XDR数据进行分类处理,得到MME数据、HTTP数据和S1_COMMON数据;
将所述MR数据与所述MME数据执行MME_MR关联操作;
将所述MR数据与所述HTTP数据执行HTTP_MR关联操作;
将所述MR数据与所述S1_COMMON数据执行COMMON_MR关联操作,得到所述MR关联数据。
7.根据权利要求1所述的用户移动路径识别方法,其特征在于,所述将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域包括:
基于交叉验证操作对K最近邻KNN模型执行优化,得到KNN优化模型;
从所述MR关联数据中提取所述用户终端的主小区RSRP和邻区RSRP,作为MR电平数据;
基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域。
8.根据权利要求7所述的用户移动路径识别方法,其特征在于,所述基于交叉验证操作对K最近邻KNN模型执行优化,得到KNN优化模型包括:
将获取到的MR训练集划分为K份,将K份MR训练集中的1份确定为验证集,将其它的K-1份确定为训练集,以执行模型训练;
重复执行K次所述模型训练,以得到K个所述KNN模型和对应的K个评分;
基于K个所述KNN模型和对应的所述K个评分执行模型优化,得到所述KNN优化模型。
9.根据权利要求7所述的用户移动路径识别方法,其特征在于,
所述指定尺寸为大于或等于20m,并小于或等于25m。
10.根据权利要求7所述的用户移动路径识别方法,其特征在于,所述基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域具体包括:
基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到候选栅格区域;
获取基于对所述通信上报信息识别得到的描述位置;
从所述候选栅格区域中过滤掉与所述描述位置之间的距离大于距离阈值的无效栅格,得到第一栅格区域;
从所述第一栅格区域中过滤掉无主覆盖小区覆盖的无效栅格,得到第二栅格区域,作为所述异常栅格区域。
11.根据权利要求7所述的用户移动路径识别方法,其特征在于,在基于所述KNN优化模型将所述MR电平数据与所述MR指纹库中的指纹执行匹配定位,得到所述指定尺寸的异常栅格区域之前,还包括:
获取多个栅格区域的CQT拨打测试数据、DT路测数据、MDT移动设备测量数据和OTT数据,并作为训练数据;
基于所述训练数据进行模型训练,生成传播模型;
基于所述传播模型计算每个所述栅格区域的小区强度;
基于所述小区强度创建所述MR指纹库。
12.根据权利要求1所述的用户移动路径识别方法,其特征在于,所述将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径包括:
获取与所述通信上报信息的上报时间临近的两点处的所述用户终端的终端MR数据;
基于所述终端MR数据计算用户移动速率;
将所述用户移动速率与所述实时出行路径数据进行匹配操作;
将匹配结果映射至所述异常栅格区域,得到所述候选路径。
13.根据权利要求1至12中任一项所述的用户移动路径识别方法,其特征在于,在基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作之前,还包括:
将获取到的用户投诉语音转换为投诉文本,以基于所述投诉文本生成所述通信上报信息;以及
对所述投诉文本进行自然语言处理,以识别出用户投诉的描述位置。
14.根据权利要求13所述的用户移动路径识别方法,其特征在于,所述基于优化的隐马尔可夫HMM模型从所述候选路径中识别出所述用户终端的实际移动路径包括:
将所述描述位置确定为观测点,将所述候选路径确定为隐藏状态,以计算所述描述位置对所述候选路径的观测概率;
基于堆优化的Dijkstra算法计算每条所述候选路径的转移概率;
将所述观测概率和所述转移概率输入维特比计算模型,以计算对应的维特比概率,并基于所述维特比概率确定所述候选路径中搜索出所述实际移动路径。
15.根据权利要求14所述的用户移动路径识别方法,其特征在于,所述计算所述描述位置对所述候选路径的观测概率包括:
基于小区编码将所述MR关联数据分别与获取到的网络性能数据和网络告警数据进行关联得到初始样本数据;
分析关联的所述网络性能数据对所述MR关联数据的影响,以基于分析结果对所述MR关联数据进行权重标记,以基于权重标记从所述初始样本数据中筛选出性能样本数据;
从所述性能样本数据中提取出与指定告警类型对应的所述性能样本数据,并作为目标性能数据;
获取与所述候选路径相关的所述目标性能数据,以基于相关的所述目标性能数据计算所述观测概率。
16.根据权利要求14所述的用户移动路径识别方法,其特征在于,所述基于堆优化的Dijkstra算法计算每条所述候选路径的转移概率包括:
基于所述堆优化的Dijkstra算法计算不同的所述候选路径之间的路径距离以及大圆距离;
基于所述路径距离,所述大圆距离以及所述候选路径之间对应的时间间隔,计算所述转移概率。
17.一种用户移动路径识别装置,其特征在于,包括:
关联模块,用于基于关联模型将采集到的MR数据与对应的XDR数据执行关联操作,得到MR关联数据,其中,所述MR数据基于用户终端的通信上报信息获取;
匹配模块,用于将所述MR关联数据与MR指纹库中的指纹执行匹配定位操作,得到匹配的指定尺寸的异常栅格区域;
映射模块,用于将获取到的实时出行路径数据映射至所述异常栅格区域,得到所述用户终端移动的候选路径;
识别模块,用于基于优化的隐马尔可夫HMM模型从所述候选路径中识别出所述用户终端的实际移动路径。
18.一种网络设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~16中任意一项所述的用户移动路径识别方法。
19.一种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权利要求1~16中任意一项所述的用户移动路径识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288419.2A CN115665665A (zh) | 2022-10-20 | 2022-10-20 | 移动路径识别方法、识别装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288419.2A CN115665665A (zh) | 2022-10-20 | 2022-10-20 | 移动路径识别方法、识别装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115665665A true CN115665665A (zh) | 2023-01-31 |
Family
ID=84988609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211288419.2A Pending CN115665665A (zh) | 2022-10-20 | 2022-10-20 | 移动路径识别方法、识别装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115665665A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074752A (zh) * | 2023-03-07 | 2023-05-05 | 南京森根科技股份有限公司 | 一种建立和校准室内射频定位指纹库的方法和装置 |
CN116482609A (zh) * | 2023-06-21 | 2023-07-25 | 中国电信股份有限公司 | 指纹数据处理方法、装置、计算机设备、存储介质和产品 |
CN116634378A (zh) * | 2023-07-21 | 2023-08-22 | 德特赛维技术有限公司 | 一种出行道路轨迹识别方法、装置、设备及存储介质 |
CN117729555A (zh) * | 2024-02-18 | 2024-03-19 | 北京中电飞华通信有限公司 | 空中基站部署方法、协同系统及相关设备 |
-
2022
- 2022-10-20 CN CN202211288419.2A patent/CN115665665A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074752A (zh) * | 2023-03-07 | 2023-05-05 | 南京森根科技股份有限公司 | 一种建立和校准室内射频定位指纹库的方法和装置 |
CN116074752B (zh) * | 2023-03-07 | 2024-01-05 | 南京森根科技股份有限公司 | 一种建立和校准室内射频定位指纹库的方法和装置 |
CN116482609A (zh) * | 2023-06-21 | 2023-07-25 | 中国电信股份有限公司 | 指纹数据处理方法、装置、计算机设备、存储介质和产品 |
CN116482609B (zh) * | 2023-06-21 | 2023-09-29 | 中国电信股份有限公司 | 指纹数据处理方法、装置、计算机设备、存储介质和产品 |
CN116634378A (zh) * | 2023-07-21 | 2023-08-22 | 德特赛维技术有限公司 | 一种出行道路轨迹识别方法、装置、设备及存储介质 |
CN116634378B (zh) * | 2023-07-21 | 2023-12-08 | 德特赛维技术有限公司 | 一种出行道路轨迹识别方法、装置、设备及存储介质 |
CN117729555A (zh) * | 2024-02-18 | 2024-03-19 | 北京中电飞华通信有限公司 | 空中基站部署方法、协同系统及相关设备 |
CN117729555B (zh) * | 2024-02-18 | 2024-04-26 | 北京中电飞华通信有限公司 | 空中基站部署方法、协同系统及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10542519B2 (en) | Terminal positioning method and network device | |
CN115665665A (zh) | 移动路径识别方法、识别装置、电子设备和可读存储介质 | |
CN110213724B (zh) | 一种伪基站运动轨迹的识别方法 | |
JP2002057614A (ja) | 無線通信システム中のrf伝播評価方法と装置 | |
CN106604228A (zh) | 一种基于lte信令数据的指纹定位方法 | |
CN110351734B (zh) | 基于移动终端数据实现预测小区位置的方法 | |
CN108271157B (zh) | 一种伪基站识别方法及装置 | |
CN113365306B (zh) | 网络分析方法及装置、存储介质、计算机系统 | |
CN111194001A (zh) | Lte指纹定位校正的方法、装置及系统 | |
CN108541011B (zh) | 无线网络信号覆盖区域的强度分析方法和装置 | |
CN110809238A (zh) | 位置信息的检错方法、装置和计算机可读存储介质 | |
CN111639703A (zh) | 一种基于离散点集最小包围圆计算基站位置的方法 | |
KR20200061666A (ko) | 인구 안내 서비스 제공방법 및 장치 | |
CN108260204B (zh) | 一种基于电信定位的方法及装置 | |
CN113569978B (zh) | 一种出行轨迹识别方法、装置、计算机设备及存储介质 | |
CN111787490A (zh) | 伪基站轨迹识别方法、装置、设备和存储介质 | |
CN105142214A (zh) | Wlan热点定位信息的采集方法及相应终端 | |
WO2015084154A1 (en) | A system and method for locating a mobile device | |
CN112911506B (zh) | 网络切换方法、装置、计算机设备和可读存储介质 | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
CN111491255B (zh) | 一种回填经纬度定位扩量方法、系统及存储介质 | |
CN115734264A (zh) | 5g网络覆盖评估方法、装置、计算机可读介质及电子设备 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
CN108271203B (zh) | 一种网络质量评估方法及设备 | |
KR101161983B1 (ko) | 이동통신 단말기의 위치 정보를 산출하는 위치 관리 서버 및 그 산출 방법 |
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 |