CN117042125A - 一种基于图变分自编码器的基站位置校准方法及系统 - Google Patents

Abstract

本发明公开了一种基于图变分自编码器的基站位置校准方法及系统，涉及大数据挖掘技术领域；通过获取基站工参表，生成基站空间矩阵；获取移动信令轨迹数据，构建基站邻接图；根据空间特征矩阵和邻接矩阵构建图变分自编码器模型并进行训练，得到基站表征向量；通过余弦相似度得到相似基站集合；通过对相似基站集合聚类分析，得到聚类结果，对当前基站位置进行校准；本发明解决了基于手机信令数据和基站位置参数信息进行人口动态监测、社会公共安全监测、智能交通等应用场景中，基站位置参数信息错漏和数据更新不及时导致数据不准确的问题。

Description

一种基于图变分自编码器的基站位置校准方法及系统

技术领域

本发明涉及大数据挖掘技术领域，更具体的说是涉及移动信令领域基站位置校准方法和技术。

背景技术

随着移动互联网的发展，基于移动信令的位置服务能够为社会公共安全、智能交通、人口动态监测等多个领域与部门提供关键的技术支撑。在基于移动信令的大多数应用中直接用基站的位置来表示移动用户的位置信息，因此基站位置的准确性直接决定了上述应用的效果。因此基站的空间位置即经纬度是基站的工程参数（简称：工参）的重要组成部分，然而由于基站数目巨大，并且基站经纬度一般是基站初建时勘察人员测定的，对测试的精度和设备以及具体的地点要求不统一，因此造成基站的经纬度数据存在一些误差，甚至有些误差很大。并且实际应用中，经常会出现大量新建和调整过的基站，这些基站的工参都需要及时准确地校准。如果采用人工现场进行经纬度的核查，将是一项繁重的工作。传统的基站位置校准方法主要依赖于人工设计出的规则，但是人工设计的规则对于复杂多样的基站数据来说显得力不从心。

近几年，深度学习异军突起，成为了科学研究领域的热点。从早期的语音识别、到文本挖掘再到计算机视觉，深度学习已经应用到几乎所有的智能感知任务中，而且在很多领域性能远远超过传统方法。深度学习具有较好的迁移能力，使得在面临巨大且变化多端的海量数据时，不会受限于人工设计特征的局限性。

因此，如何利用图变分自编码器进行基站表示并完成下游的位置校准任务，以提升基于移动信令各种应用的效果是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于图变分自编码器的基站位置校准方法及系统，能够解决基于手机信令数据和基站位置参数信息进行人口动态监测、社会公共安全监测、智能交通等应用场景中，基站位置参数信息错漏和数据更新不及时导致数据不准确的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于图变分自编码器的基站位置校准方法，具体步骤如下：

S1.获取给定区域所有基站的基站经纬度和基站空间特征，对基站空间特征进行向量表示并拼接，生成基站空间特征向量е；根据所有基站的基站空间特征向量е生成空间特征矩阵E，E∈R^N×d，N为基站的数量，d表示基站空间特征向量е的维度，R为实数集；

S2.获取给定区域一段时间内的移动信令轨迹数据，根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵，A∈R^N×N；

S3.根据空间特征矩阵E和邻接矩阵A构建图变分自编码器模型；

S4.设置模型超参，对图变分自编码器模型进行训练，得到基站表征向量z；根据基站表征向量z，利用余弦相似度计算基站之间的相似度，将预设数量相似度最高的基站组成相似基站集合；

S5.采用DBSCAN聚类算法对相似基站集合中基站对应的基站经纬度进行聚类，获得聚类结果；根据聚类结果，依次判断给定区域内所有基站的基站经纬度是否存在误差，并进行基站位置校准。

优选的，基站空间特征包括位置区域识别码、基站地址和基站站型；基站位置区码，是一个两字节、十六进制表示的BDC码，用来唯一标识为寻呼而设置的一个网络区域；基站地址，包含基站粗粒度的空间信息；基站站型，包括宏站、拉远站、直放站、微蜂窝等类型，表示基站的不同的覆盖范围。

优选的，生成基站空间特征向量е的具体过程如下：

采用独热编码方法对位置区域识别码进行嵌入表示，生成位置区域标识码的独热编码，嵌入向量长度是给定区域内所有基站的位置区域识别码的数量；

采用独热编码方法对基站站型进行嵌入表示，生成基站站型的独热编码，嵌入向量长度是给定区域内基站站型的种类数；

采用FastText模型获取基站地址的句子表征向量；

将每个基站的位置区域标识码的独热编码、基站站型的独热编码和基站地址的句子表征向量进行拼接，生成基站空间特征向量е。

优选的，基站邻接图G为无向图，其中节点表示基站，节点的属性表示基站空间特征，图的边表示基站之间的切换关系，图的所有边构成邻接矩阵A；

每条移动信令轨迹数据按照时间排序，表示为<Cell-ID₁,t₁>,<Cell-ID₂,t₂>,...,<Cell-ID_m,t_m>，其中Cell-ID_i表示在t_i时间的第i个基站位置，i=1,2,...,m，m表示基站位置点数；相邻的两个基站Cell-ID_i和Cell-ID_i+1表示Cell-ID_i和Cell-ID_i+1发生了切换关系；如果|t_i+1-t_i|<Δ_t，且Cell-ID_i到Cell-ID_i+1切换次数大于设定阈值，则基站Cell-ID_i和Cell-ID_i+1之间有一条边。

优选的，图变分自编码器模型包括编码器；编码器基于空间特征矩阵E以及邻接矩阵A学习得到基站表征向量z；

编码器包括两层图卷积网络，一层图卷积网络GCN_μ计算空间特征矩阵E和邻接矩阵A的均值μ，另一层图卷积网络GCN_σ计算空间特征矩阵E和邻接矩阵A的标准差σ：

μ=GCN_μ(E,A)

Logσ=GCN_σ(E,A)

其中，GCN_μ(E,A)=GCN_σ(E,A)=ÃReLU(ÃEW₀)W₁；ReLU是激活函数，W_i是权重系数矩阵，i∈{0,1}，Ã=D^-½AD^-½是邻接矩阵A的对称归一化表示，D是基站邻接矩阵A的度矩阵；基站表征向量z由下式重采样得到：

z=μ+σ·∈

∈为服从均值为0，方差为1的高斯分布。

优选的，图变分自编码器模型还包括解码器；解码器根据基站表征向量z重构基站空间特征向量е和邻接矩阵A，得到重构邻接矩阵Â，通过无监督学习优化基站表征向量z；重构邻接矩阵Â为基站表征向量z的内积，即：

Â=δ（ZZ^T)

其中，δ(·)为logistic sigmoid函数;Z为基站表征向量z的集合，包含所有的基站表征向量z，Z^T为Z的转置矩阵。

优选的，图变分自编码器模型的损失函数L包括邻接矩阵A的重构损失L_reg和基站空间特征向量е的重构损失L_recon，表示为：

L=L_reg-λL_recon

其中，λ是两个损失之间的权重调节系数；L_reg表示重构邻接矩阵Â与邻接矩阵A的差异，用交叉熵损失函数进行衡量；L_recon表示基站空间特征向量е与高斯分布之间的差异，用KL散度进行衡量。

优选的，聚类的基础距离为球面距离，取基站数量最多的聚类蔟的聚类中心，如果该聚类中心的经纬度与当前判断的基站的基站经纬度的球面距离大于设定距离阈值，则表示当前基站的基站经纬度存在误差，将当前基站的基站经纬度替换成聚类中心的经纬度；否则认为当前基站的基站经纬度在正常范围内。

一种基于图变分自编码器的基站位置校准系统，包括：

基站空间特征提取模块，用于获取给定区域的基站空间特征，生成空间特征矩阵E；

基站邻接图构建模块，用于根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵，A∈R^N×N；

图变分自编码器构建模块，用于根据空间特征矩阵E和邻接矩阵A构建图变分自编码器模型；

基站表示学习模块，设置模型超参，对图变分自编码器模型进行训练，学习得到基站表征向量z；

基站位置校准模块，根据所有的基站表征向量z，利用余弦相似度计算相似度最高的基站集合；利用DBSCAN聚类算法对相似基站集合的基站经纬度进行聚类，获取聚类结果；根据聚类结果，判断当前基站的基站经纬度是否存在误差，并进行基站位置校准。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于图变分自编码器的基站位置校准方法及系统，通过获取基站工参表，生成基站空间矩阵；获取移动信令轨迹数据，构建基站邻接图；根据空间特征矩阵和邻接矩阵构建图变分自编码器模型并进行训练，得到基站表征向量；通过余弦相似度得到相似基站集合；通过对相似基站集合聚类分析，得到聚类结果，对当前基站位置进行校准；能够解决基于手机信令数据和基站位置参数信息进行人口动态监测、社会公共安全监测、智能交通等应用场景中，基站位置参数信息错漏和数据更新不及时导致数据不准确的问题。

附图说明

为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基站位置校准方法框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

实施例1

本发明实施例公开了一种基于图变分自编码器的基站位置校准方法，具体步骤如下：

S1.获取给定区域所有基站的工参表，工参表包括基站经纬度和基站空间特征，对基站空间特征进行向量表示并拼接，生成基站空间特征向量е；根据所有基站的基站空间特征向量е生成空间特征矩阵E，E∈R^N×d，N为基站的数量，d表示基站空间特征向量е的维度，R为实数集。

具体的，基站空间特征包括位置区域识别码、基站地址和基站站型；基站位置区码，即LAC，是一个两字节、十六进制表示的BDC码，用来唯一标识为寻呼而设置的一个网络区域；基站地址，包含基站粗粒度的空间信息；基站站型，包括宏站、拉远站、直放站、微蜂窝等类型，表示基站的不同的覆盖范围。

具体的，生成基站空间特征向量е的具体过程如下：

采用独热编码方法对位置区域识别码进行嵌入表示，生成位置区域标识码的独热编码，嵌入向量长度是给定区域内所有基站的位置区域识别码的数量；本实施实例中LAC集合的数量为643。

采用独热编码方法对基站站型进行嵌入表示，生成基站站型的独热编码，嵌入向量长度是给定区域内基站站型的种类数；本实施实例中某区域的的基站的站型有“宏站、室分、微蜂窝、室内、室外”等8种类型。

采用FastText模型获取基站地址的句子表征向量；本实施实例的句子表征向量的维度为100。

将每个基站的位置区域标识码的独热编码、基站站型的独热编码和基站地址的句子表征向量进行拼接，生成基站空间特征向量е。本实施实例空间特征向量的维度d=643+8+100=752。

S2.获取给定区域一段时间内的移动信令轨迹数据，根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵，A∈R^N×N；

具体的，基站邻接图G为无向图，其中节点表示基站，节点的属性表示基站空间特征，图的边表示基站之间的切换关系，图的所有边构成邻接矩阵A；

每条移动信令轨迹数据按照时间排序，表示为<Cell-ID₁,t₁>,<Cell-ID₂,t₂>,...,<Cell-ID_m,t_m>，其中Cell-ID_i表示在t_i时间的第i个基站位置，i=1,2,...,m，m表示基站位置点数；相邻的两个基站Cell-ID_i和Cell-ID_i+1表示Cell-ID_i和Cell-ID_i+1发生了切换关系；如果|t_i+1-t_i|<Δ_t，且Cell-ID_i到Cell-ID_i+1切换次数大于设定阈值，则基站Cell-ID_i和Cell-ID_i+1之间有一条边，该位置的邻接矩阵A的元素值为1，否则为0。本实施实例∆_T=60秒，切换次数阈值为5。

S3.根据基站空间特征矩阵E和邻接矩阵A构建图变分自编码器模型；

具体的，图变分自编码器模型包括编码器；编码器基于空间特征矩阵E以及邻接矩阵A学习得到基站表征向量z；

编码器包括两层图卷积网络，一层图卷积网络GCN_μ计算空间特征矩阵E和邻接矩阵A的均值μ，另一层图卷积网络GCN_σ计算空间特征矩阵E和邻接矩阵A的标准差σ：

μ=GCN_μ(E,A)

Logσ=GCN_σ(E,A)

其中，GCN_μ(E,A)=GCN_σ(E,A)=ÃReLU(ÃEW₀)W₁；ReLU是激活函数，W_i是权重系数矩阵，i∈{0,1}，Ã=D^-½AD^-½是邻接矩阵A的对称归一化表示，D是基站邻接矩阵A的度矩阵；基站表征向量z由下式重采样得到：

z=μ+σ·∈

∈为服从均值为0，方差为1的高斯分布。

具体的，图变分自编码器模型还包括解码器；解码器根据基站表征向量z重构基站空间特征向量е和邻接矩阵A，得到重构邻接矩阵Â，通过无监督学习优化基站表征向量z；重构邻接矩阵Â为基站表征向量z的内积，即：

Â=δ（ZZ^T)

其中，δ(·)为logistic sigmoid函数;Z为基站表征向量z的集合，包含所有的基站表征向量z，Z^T为Z的转置矩阵。

具体的，图变分自编码器模型的损失函数L包括邻接矩阵A的重构损失L_reg和基站空间特征向量е的重构损失L_recon，表示为：

L=L_reg-λL_recon

其中，λ是两个损失之间的权重调节系数；L_reg表示重构邻接矩阵Â与邻接矩阵A的差异，用交叉熵损失函数进行衡量；L_recon表示基站空间特征向量е与高斯分布之间的差异，用KL散度进行衡量。本实施实例中λ=20。

S4.设置模型超参，对图变分自编码器模型进行训练，得到基站表征向量z；根据基站表征向量z，利用余弦相似度计算基站之间的相似度，将预设数量相似度最高的基站组成相似基站集合。

本实施例中，基站表征向量维度设为256，模型训练迭代次数设为100，学习率设为10^-2。

S5.采用DBSCAN聚类算法对相似基站集合中基站对应的基站经纬度进行聚类，获得聚类结果；根据聚类结果，依次判断给定区域内所有基站的基站经纬度是否存在误差，并进行基站位置校准。

具体的，聚类的基础距离为球面距离，取基站数量最多的聚类蔟的聚类中心，如果该聚类中心的经纬度与当前判断的基站的基站经纬度的球面距离大于设定距离阈值，则表示当前基站的基站经纬度存在误差，将当前基站的基站经纬度替换成聚类中心的经纬度；否则认为当前基站的基站经纬度在正常范围内。本实施实例中，设定距离阈值为5km。

本实施例通过获取基站工参表，生成基站空间矩阵；获取移动信令轨迹数据，构建基站邻接图；根据空间特征矩阵和邻接矩阵构建图变分自编码器模型并进行训练，得到基站表征向量；通过余弦相似度得到相似基站集合；通过对相似基站集合聚类分析，得到聚类结果，对当前基站位置进行校准；解决了基于手机信令数据和基站位置参数信息进行人口动态监测、社会公共安全监测、智能交通等应用场景中，基站位置参数信息错漏和数据更新不及时导致数据不准确的问题。

实施例2

一种基于图变分自编码器的基站位置校准系统，包括：

基站空间特征提取模块，用于获取给定区域的基站空间特征，生成空间特征矩阵E。

基站邻接图构建模块，用于根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵，A∈R^N×N。

图变分自编码器构建模块，用于根据空间特征矩阵E和邻接矩阵A构建图变分自编码器模型。

基站表示学习模块，设置模型超参，对图变分自编码器模型进行训练，学习得到基站表征向量z。

基站位置校准模块，根据所有的基站表征向量z，利用余弦相似度计算相似度最高的基站集合；利用DBSCAN聚类算法对相似基站集合的原始经纬度进行聚类，获取聚类结果；根据聚类结果，判断当前基站的经纬度是否存在误差，并进行基站位置校准。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于图变分自编码器的基站位置校准方法，其特征在于，具体步骤如下：

S1.获取给定区域所有基站的基站经纬度和基站空间特征，对基站空间特征进行向量表示并拼接，生成基站空间特征向量е；根据所有基站的基站空间特征向量е生成空间特征矩阵E；

S2.获取给定区域一段时间内的移动信令轨迹数据，根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵；

S3.根据空间特征矩阵E和邻接矩阵A构建图变分自编码器模型；

S4.设置模型超参，对图变分自编码器模型进行训练，得到基站表征向量z；根据基站表征向量z，利用余弦相似度计算基站之间的相似度，将预设数量相似度最高的基站组成相似基站集合；

S5.采用DBSCAN聚类算法对相似基站集合中基站对应的基站经纬度进行聚类，获得聚类结果；根据聚类结果，依次判断给定区域内所有基站的基站经纬度是否存在误差，并进行基站位置校准。

2.根据权利要求1所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，基站空间特征包括位置区域识别码、基站地址和基站站型。

3.根据权利要求2所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，生成基站空间特征向量е的具体过程如下：

采用独热编码方法对位置区域识别码进行嵌入表示，生成位置区域标识码的独热编码，嵌入向量长度是给定区域内所有基站的位置区域识别码的数量；

采用独热编码方法对基站站型进行嵌入表示，生成基站站型的独热编码，嵌入向量长度是给定区域内基站站型的种类数；

采用FastText模型获取基站地址的句子表征向量；

将每个基站的位置区域标识码的独热编码、基站站型的独热编码和基站地址的句子表征向量进行拼接，生成基站空间特征向量е。

4.根据权利要求1所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，基站邻接图G为无向图，其中节点表示基站，节点的属性表示基站空间特征，图的边表示基站之间的切换关系，图的所有边构成邻接矩阵A；

每条移动信令轨迹数据按照时间排序，表示为<Cell-ID₁,t₁>,<Cell-ID₂,t₂>,...,<Cell-ID_m,t_m>，其中Cell-ID_i表示在t_i时间的第i个基站位置，i=1,2,...,m，m表示基站位置点数；相邻的两个基站Cell-ID_i和Cell-ID_i+1表示Cell-ID_i和Cell-ID_i+1发生了切换关系；如果|t_i+1-t_i|<Δ_t，且Cell-ID_i到Cell-ID_i+1切换次数大于设定阈值，则基站Cell-ID_i和Cell-ID_i+1之间有一条边。

5.根据权利要求1所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，图变分自编码器模型包括编码器；编码器基于空间特征矩阵E以及邻接矩阵A学习得到基站表征向量z；

编码器包括两层图卷积网络，一层图卷积网络计算空间特征矩阵E和邻接矩阵A的均值μ，另一层图卷积网络计算空间特征矩阵E和邻接矩阵A的标准差σ：

μ=GCN_μ(E,A)

Logσ=GCN_σ(E,A)

其中，GCN_μ(E,A)=GCN_σ(E,A)=ÃReLU(ÃEW₀)W₁；ReLU是激活函数，W_i是权重系数矩阵，i∈{0,1}，Ã=D^-½AD^-½是邻接矩阵A的对称归一化表示，D是基站邻矩阵A的度矩阵；基站表征向量z由下式重采样得到：

z=μ+σ·∈

∈为服从均值为0，方差为1的高斯分布。

6.根据权利要求5所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，图变分自编码器模型还包括解码器；解码器根据基站表征向量z重构基站空间特征向量е和邻接矩阵A，得到重构邻接矩阵Â，通过无监督学习优化基站表征向量z；重构邻接矩阵Â为基站表征向量z的内积，即：

Â=δ（ZZ^T)

其中，δ(·)为logistic sigmoid函数；Z为基站表征向量z的集合，包含所有的基站表征向量z，Z^T为Z的转置矩阵。

7.根据权利要求6所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，图变分自编码器模型的损失函数L包括邻接矩阵A的重构损失L_reg和基站空间特征向量е的重构损失L_recon，表示为：

L=L_reg-λL_recon

其中，λ是两个损失之间的权重调节系数；L_reg表示重构邻接矩阵Â与邻接矩阵A的差异，用交叉熵损失函数进行衡量；L_recon表示基站空间特征向量е与高斯分布之间的差异，用KL散度进行衡量。

8.根据权利要求1所述的一种基于图变分自编码器的基站位置校准方法，其特征在于，聚类的基础距离为球面距离，取基站数量最多的聚类蔟的聚类中心，如果该聚类中心的经纬度与当前判断的基站的基站经纬度的球面距离大于设定距离阈值，则表示当前基站的基站经纬度存在误差，将当前基站的基站经纬度替换成聚类中心的经纬度；否则认为当前基站的基站经纬度在正常范围内。

9.一种基于图变分自编码器的基站位置校准系统，其特征在于，采用权利要求1-8任一项所述的一种基于图变分自编码器的基站位置校准方法，包括：

基站空间特征提取模块，用于获取给定区域的基站空间特征，生成空间特征矩阵E；

基站邻接图构建模块，用于根据基站空间特征和移动信令轨迹数据构建基站邻接图G=(V,A)，其中V表示基站，A表示邻接矩阵，A∈R^N×N；

图变分自编码器构建模块，用于根据空间特征矩阵E和邻接矩阵A构建图变分自编码器模型；

基站表示学习模块，设置模型超参，对图变分自编码器模型进行训练，学习得到基站表征向量z；

基站位置校准模块，根据所有的基站表征向量z，利用余弦相似度计算相似度最高的基站集合；利用DBSCAN聚类算法对相似基站集合的原始经纬度进行聚类，获取聚类结果；根据聚类结果，判断当前基站的经纬度是否存在误差，并进行基站位置校准。