FI111901B - Sijainnin arviointi langattomissa tietoliikenneverkoissa - Google Patents

Description

111901

Sijainnin arviointi langattomissa tietoliikenneverkoissa

Keksinnön tausta

Keksintö liittyy menetelmiin ja laitteistoihin vastaanottimen sijainnin arvioimiseksi langattomassa tietoliikenneympäristössä, toisin sanoen yhdessä 5 tai useammassa verkossa, jotka voivat olla radio-, mikroaalto- tai optisia verkkoja. Nämä yksi tai useampi verkko liikennöivät usealla kanavalla samanaikaisesti. Tällaista sijainninarviointia voidaan käyttää tuottamaan suuri joukko paikkariippuvia palveluja.

US-patentti 6112095, keksijänä Mäti Wax et ai., esittää menetel-10 män, jolla tuotetaan joukko todennäköisiä lähettimen sijainteja solukkoverkossa kuten AMPS tai CDMA. Wax-patentissa kuvatun tekniikan ongelmana on, että se vaatii verkon puolella ylimääräistä laitteistoa, kuten antennimatriisin joka on sovitettu mittaamaan kulmasuuntima suhteessa tukiasemaan. Toisin sanoen matkaviestimen sijainnin määrittämiseksi on oltava käsillä tietoa ver-15 kon infrastruktuurista, ja matkaviestimen on lähetettävä jotain, jotta sen sijainti voitaisiin arvioida.

Keksinnön lyhyt selostus

Keksinnön tavoitteena on yllä mainittujen ongelmien ratkaiseminen. Toisin sanoen keksinnön mukaisen mekanismin tulisi kyetä arvioimaan vas-·· 20 taanottimen sijainti langattomassa tietoliikenneympäristössä jopa ilman aiem- *. paa tietoa verkon infrastruktuurista (kuten tukiasemien sijainnit).

, Tämä tavoite saavutetaan menetelmällä ja järjestelmällä, joille on tunnusomaista se, mitä sanotaan itsenäisissä patenttivaatimuksissa. Keksin-nön edulliset suoritusmuodot ovat epäitsenäisten patenttivaatimusten kohtee-25 na.

» · ’···* Keksintö perustuu siihen yllättävään ajatukseen, että on mahdollista arvioida vastaanottimen sijainti kohtuullisen varmasti ilman tietoa vastaanotti- : men langattoman ympäristön, toisin sanoen sen kuulemien yhden tai useam- man verkon infrastruktuurista. Esimerkiksi yllä mainitussa Waxin patentissa . .·. 30 selostettu tekniikka tukeutuu solukkoverkon tukiasemakonfiguraatioon, mihin ,···, sisältyy tukiasemien sijainnit. On todella hämmästyttävää, että keksinnön mu- kainen tekniikka on käyttökelpoinen. Sen yllättävyys on ilmeistä, kun kävellään : ’*· matkapuhelimen kanssa, jossa on kentänvoimakkuusosoitin. Joissakin pai- • · ·'.*·: koissa jopa 20 - 30 crrv.n siirtymä muuttaa kentänvoimakkuutta dramaattisesti.

35 Ilmeisestikin täytyy olla suuri joukko paikkoja, joissa kentänvoimakkuus on lä- 111901 2 hes identtinen, ja olisi odotettavissa, että tarvitaan valtavia tietokantoja. Ilmasto-olosuhteet, kaupunkimaisemat ja verkkokonfiguraatiot muuttuvat jatkuvasti. Ensi näkemältä näyttäisi, että tietokannat heikkenisivät nopeasti, ellei niitä päivitetä jatkuvasti. Kuitenkin tietokonesimulaatiot osoittavat, että tekniikka, joka 5 perustuu mittauksiin usealla kanavalla (taajuudella) on yllättävän luotettava. Lisäksi kalibrointitietoja voidaan kerätä automaattisesti erilaisissa olosuhteissa.

Keksinnön eräs näkökohta on menetelmä vastaanottimen sijainnin arvioimiseksi langattomassa tietoliikenneympäristössä, johon kuuluu useita kanavia samanaikaista liikennöintiä varten, kun kullakin kanavalla on ainakin 10 yksi signaaliparametri, joka vaihtelee sijainnista riippuen eri tavalla kuin muilla kanavilla. Menetelmä voidaan toteuttaa seuraavilla vaiheilla: 1) kullekin useasta kalibrointipisteestä langattomassa tietoliikenneympäristössä määritetään joukko kalibrointimittauksia, joista kuhunkin kalib-rointimittausten joukkoon kuuluu kyseisen kalibrointipisteen sijainti ja ainakin 15 yksi mitattu signaaliparametri kullekin useasta kanavasta kyseisessä kalibroin-tipisteessä; 2) kalibrointimittausten perusteella ylläpidetään tilastollista mallia usean kanavan signaaliparametreista vastaanottimen sijainnin funktiona langattomassa tietoliikenneympäristössä; 20 3) mitataan ainakin yksi signaaliparametri kullekin useasta kanavas ta vastaanottimen sijainnin kohdalla; ja 4) arvioidaan vastaanottimen sijainti tilastollisen mallin ja usealta kanavalta mitattujen signaaliparametrien perusteella.

Keksinnön eräs toinen näkökohta on järjestely yllä selostetun mene- 25 telmän toteuttamiseksi. Järjestely voidaan toteuttaa vastaanottimena, johon : kuuluu välineet havaittujen signaaliparametrien joukkojen määrittämiseksi, kun : kukin joukko käsittää ainakin yhden havaitun signaaliparametrin kullekin use asta kanavasta vastaanottimen sijainnin kohdalla. Vastaanotin voi itse sisältää sijainninlaskentamoduulin vastaanottimen sijaintia approksimoivan sijainninar- » · 30 vion määrittämiseksi perustuen mainittuihin joukkoihin ja tilastolliseen malliin *;* usean kanavan signaaliparametreista vastaanottimen sijainnin funktiona lan- •\i,: gattomassa tietoliikenneympäristössä. Vaihtoehtoisesti vastaanotin voi välittää joukot ulkoiselle sijainninlaskentamoduulille.

; · ‘ Termi ’’vastaanotin” tarkoittaa, että sijainninarvioinnin kohteena ole- . 35 van laitteen ei tarvitse lähettää, kun sen sijaintia arvioidaan. Toisin sanoen riit- * : tää, että laite tekee havaintoja langattomasta ympäristöstään. Esimerkiksi 111901 3 GSM-puhelimen ei tarvitse vastaanottaa liikennekanavaa. Sen sijaan se tekee havaintoja kaikilla käytettävissä olevilla taajuuksilla. Laitteella voi olla, ja sillä tyypillisesti on, lähetyskyky, mutta se ei ole välttämätön keksinnön kaikille suoritusmuodoille, ja keksintöä voidaan käyttää arvioimaan hakulaitteen tai yleis-5 lähetysvastaanottimen sijaintia. Koska lähetyskyky ei ole oleellinen keksinnön mukaiselle sijainninarvioinnille, vastaanotin voi hyödyntää sellaisten verkkojen signaaliparametreja, joihin se ei ole liittynyt. Esimerkiksi yhteen GSM-verkkoon liittynyt GSM-puhelin voi hyödyntää toisten GSM-verkkojen signaalinvoimak-kuusarvoja.

10 Termi ’’ympäristö” tarkoittaa, että vastaanotin voi vastaanottaa (ha vainnoida) ainakin yhtä verkkoa, mutta se voi vastaanottaa useampaa kuin yhtä. Esimerkiksi GSM-puhelin voi havainnoida usean operaattorin GSM-verkkoja. Kehittyneempi vastaanotin voi havainnoida usean tyyppisiä verkkoja, kuten solukkoverkkoja ja yleislähetysverkkoja.

15 ’’Langaton” ympäristö tarkoittaa, että mainitut yksi tai useampi verk ko voivat olla radio-, mikroaalto- tai optisia verkkoja. Lisäksi vastaanottimen vastaanottamien verkkojen joukon on liikennöitävä usealla kanavalla samanaikaisesti, ja näiden usean kanavan on sisällettävä kanavien alijoukko siten, että alijoukon kullakin kanavalla on ainakin yksi signaaliparametri, joka vaihtelee 20 paikasta riippuen eri tavalla kuin alijoukon muilla kanavilla. Tämä tarkoittaa, että useat kanavat, joiden signaaliparametrit riippuvat etäisyydestä lähes ident-tisesti, kuten yhteisen lähetysantennin kanavat, eivät normaalisti anna riittävää : tietoa luotettavaa sijainninarviointia varten. Normaalisti tarvitaan signaaleja ’·' ainakin kolmelta lähetysasemalta. Esimerkkejä sopivista verkoista ovat soluk- .: 25 koverkot (kuten GSM, GPRS, UMTS, jne.), yleislähetysverkot (analoginen ra- : dio, DAB tai DVB) tai langattomat lähiverkot (WLAN).

’’Sijainnilla” voi olla yhdestä kolmeen ulottuvuutta. Yksiulotteinen sijainnin esitys voi riittää juniin ja vastaaviin. Kuitenkin kaksi- tai kolmiulotteiset ;v. sijainnin esitykset ovat paljon käyttökelpoisempia. Kaksiulotteisessa esitykses- • · 30 sä vastaanottimen oletetaan olevan olennaisesti maanpinnan tasalla. Itse asi-;** assa korkeudella ei ole väliä, kunhan kalibrointitiedot mitataan samalta kor- keudelta (maanpinnan tasalta, 13. kerros, jne.) kuin todelliset mittaukset. Li-: säksi kalibrointitietoihin voi sisältyä ajan esitys. Toisin sanoen kalibrointitietoi- ;·! hin sisältyy signaaliparametrien lisäksi 1-3 koordinaattia sekä, valinnaisesti, . 35 ajan esitys.

* »* • · 111901 4

Tilastollisella mallilla voi olla useita erilaisia toteutuksia, kuten to-dennäköisyysmallit, hermoverkot, sumean logiikan järjestelmät, esimerkkeihin perustuvat päättelyjärjestelmät (case-based reasoning systems), ydinesti-maattorit, tukivektorikoneet (support vector machines), päätöspuut, regres-5 siopuut, Kalman-suotimet, ja muut tilastolliset suodatusmenetelmät, waveletit, splinit, induktiiviset logiikkaohjelmointimenetelmät, äärelliset sekoitemallit, piilo-Markov-mallit jne. Tässä yhteydessä käytettynä termi ’’tilastollinen malli” voi tarkoittaa myös usean tilastollisen (ali)mallin sekoitusta.

Termi ’’kanava” tulisi tulkita laajasti tarkoittamaan likipitäen samaa 10 kuin taajuus tai taajuuskaista. Vastaanottimen ei tarvitse liikennöidä kanavalla, kunhan vastaanotin (tai siihen liitetty mittalaite) voi mitata ainakin yhden sig-naaliparametrin kyseiseltä kanavalta. TDMA-järjestelmissä kullakin taajuudella on useita aikavälejä, joista kukin kuljettaa yhden kanavan. Keksinnön kannalta kaikki samalla taajuudella olevat kanavat antavat identtiset tiedot, ja mitä ta-15 hansa niistä voidaan käyttää "kanavana”. Jos mitattu signaaliparametri on sig-naalinvoimakkuus, vastaanottimen ei edes tarvitse kyetä tulkitsemaan kanavan sisältöä.

Havainnollistavaan, mutta ei tyhjentävään listaan sijainnin mukaan muuttuvista signaaliparametreista kuuluu signaali, ajoitusennakko ja virhesuh-20 de. Listaan voi kuulua myös tiettyjen kanavien käytettävyys, mutta tämä voidaan nähdä erikoistapaukseksi, jossa signaalinvoimakkuus ja/tai virhesuhde : kvantisoidaan kyllä/ei -kysymykseksi. Käytettäessä suuntaavia antenneja, ra- : diokeilan/keilojen suuntaa voidaan myös käyttää. Niinpä mitattujen signaalipa- rametrien ei tarvitse vastata tiettyä kanavaa, vaan ne voivat olla johdettuja ar-25 voja. Esimerkiksi mitattu parametrijoukko voi olla tai siihen voi kuulua vektori V : = [V1, V2, V3 ...], missä V1, V2 jne. ovat parhaan, toiseksi parhaan jne. käytet- : tävissä olevan kanavan indeksit. Selvyyden vuoksi käytetään esimerkkejä, joissa signaaliparametrit liittyvät tiettyihin kanaviin.

;v. Kukin kalibrointitietojen joukko käsittää vastaavan kalibrointipisteen * » ‘! 30 sijainnin ja ainakin yhden mitatun signaaliparametrin kullekin useasta kanavas- ta kyseisessä kalibrointipisteessä. Kalibrointipisteet ovat pisteitä, joiden sijain-nit ja signaaliparametrit tunnetaan tai mitataan. Kalibrointitietojen joukot määri-tetään tyypillisesti kiinteiden ja/tai liikkuvien kalibrointivastaanottimien avulla. Kiinteitä kalibrointivastaanottimia voidaan kiinnittää rakennuksiin, liikenne- • · *. . 35 merkkeihin, lyhtypylväisiin ja vastaaviin. Liikkuvia kalibrointivastaanottimia voi- ’* : daan kuljettaa henkilöiden mukana tai liikennevälineissä. Kalibrointivastaanot- 111901 5 timet mittaavat signaaliparametreja kuten todelliset vastaanottimetkin. Mitatut signaaliparametrit voidaan siirtää tilastolliseen malliin langoitetun tai langattoman yhteyden kautta (on-line) tai siirtämällä irrotettava muistiväline, kuten muistilevy, nauha tai kortti (off-line).

5 Sijainti voidaan arvioida vastaanottimen tai verkon puolella. Jos si jainti arvioidaan vastaanottimen puolella, vastaanottimella (tai siihen liitetyllä tietokoneella) on oltava pääsy tilastolliseen malliin. Nykytekniikalla käyttökelpoinen malli voidaan pakata kokoon, joka on hallittavissa salkku- tai kämmen-tietokoneessa. Malli voidaan päivittää esimerkiksi, kun tietokone on kytkeyty-10 neenä Internetiin. Vaihtoehtoisesti malli voidaan toimittaa irrotettavissa olevalla muistilla, kuten CD-ROM- tai DVD-ROM. Tulevaisuudessa jopa matkapuhelimessa on riittävästi muistia tilastollisen mallin säilyttämiseksi. Malli voidaan päivittää esimerkiksi datapuhelun avulla nopealla yhteydellä. Jos vastaanotin-puoli säilyttää kopion tilastollisesta mallista, se ei tarvitse lainkaan lähetysky-15 kyä, ja todellinen vastaanotin voi olla yleislähetysvastaanotin, hakulaite tai de-dikoitu salkkutietokoneen lisäkortti, joka muistuttaa nykyisiä salkkutietokonei-den GSM-lisäkortteja.

Vaihtoehtoisesti vastaanotin voi olla osana lähetinvastaanotinta, kuten matkapuhelinta. Tässä tapauksessa lähetinvastaanotin voi lähettää mitta-20 ustulokset verkolle, joka välittää tulokset sijaintipalvelimelle. Lähetinvastaanot-timen tyypistä riippuen mittaustulokset voidaan lähettää esimerkiksi lyhytsa-nomana, datapuhelun tai WAP-yhteyden kautta. Sijaintipalvelin voi lähettää lähetinvastaanottimelle tämän sijainninarvion samanlaisen yhteyden kautta.

: Kalibrointitietojen lisäksi tilastollinen malli käsittää laskentasääntöjä, : .: 25 kuten myöhemmin edullisten suoritusmuotojen yhteydessä selostetaan.

Keksinnön erään edullisen suoritusmuodon mukaisesti signaalipa-. ·. rametrimittaukset (kalibrointitiedot ja/tai vastaanottimen nykyiset mittaukset) kvantisoidaan suhteellisen pieneksi määräksi luokkia, kuten 2-5 luokaksi. Toi-;V> sin sanoen mittausten granulariteettia kasvatetaan. Ensi näkemältä tällainen 30 granulariteetin kasvattaminen näyttää kadottavan informaatiota. Oletetaan esimerkiksi, että tietyn kanavan signaalinvoimakkuus tietyssä sijainnissa on 34 yksikköä asteikolla 0-100 (käytetyllä yksiköllä ei ole merkitystä). Sen sijaan, että tallennettaisiin tulos 34 yksikköä, tallennetaan vain tieto, että mittaus oli välillä 25 - 50, toisin sanoen arvo 1 asteikolla 0-3. Näyttäisi siltä että arvo 34 . 35 asteikolla 0-100 voi paremmin arvioida signaalinvoimakkuuden tämän sijain- ’· : nin läheisyydessä kuin arvo 1 asteikolla 0-3. Kuitenkin monessa tapauksessa 111901 6 lisätty granulariteetti parantaa sijainnin tarkkuutta. Yksi syy tähän on, että suuren erottelukyvyn asteikolla on useita arvoja, jotka esiintyvät suhteellisen harvoin, kun taas pienen erottelukyvyn asteikolla kaikki mahdolliset arvot esiintyvät suhteellisen usein.

5 Keksinnön eräs etu on, että aiempi tieto verkon infrastruktuurista ei ole välttämätön (vaikka se voi olla hyödyksi). Tämä tarkoittaa, että keksinnön mukainen sijaintipalvelu ei ole sidoksissa verkko-operaattoreihin. Vaikka verkko-operaattori ylläpitäisikin keksinnön mukaista sijaintipalvelua, tämä operaattori voi hyödyntää havaintoja muiden operaattorien verkoista ilman aiempaa 10 tietoa niiden infrastruktuurista.

Kuvioiden lyhyt selostus

Keksintöä selostetaan nyt lähemmin edullisten suoritusmuotojen yhteydessä, viitaten oheisiin piirroksiin, joista:

Kuvio 1 esittää erilaisia signaaliparametrien kuvaajia vastaanottimen 15 sijainnin funktiona;

Kuvio 2 on keksinnön yleistä periaatetta havainnollistava lohkokaavio;

Kuvio 3 on lohkokaavio, joka esittää tyypillistä kalibrointivastaanotin-ta kalibrointitietojen määrittämiseksi; 20 Kuviot 4A ja 4B ovat lohkokaavioita, jotka esittävät liikkuvia vas- ·: taanottimia, joiden sijaintia arvioidaan; ja

Kuvio 5 esittää tilastollisen mallin rakennetta.

; \ Keksinnön yksityiskohtainen selostus

Kuvio 1 esittää erilaisia signaaliparametrien kuvaajia vastaanottimen * · 25 sijainnin funktiona. Vaaka-akseli esittää vastaanottimen sijaintia (yksiulotteise- t · '···’ na). Pystyakseli esittää vastaanottimen mittaamaa signaaliparametria V (kuten signaalinvoimakkuutta tai virhesuhdetta). Käyrät Aja B kuvaavat kahden kana-i *.·’ van signaaliparametreja. Tässä hypoteettisessa esimerkissä on 10 datapistettä I i k

Di - Dio, jotka on mitattu vastaavasti paikoissa Xi - X-io. Molemmat käyrät A ja . 30 B jakavat datapisteet D-, - D10, joilla on vastaavat sijainnit Xi - Xi0 ja signaalipa- * » · rametri Vo. Kuvio 1 antaa kalpean aavistuksen niistä vaikeuksista, joita keksin- ♦ · nön toteuttamisessa kohdataan. Parametriarvo Vo ei ole vain yhteinen 10 eri : ’·· sijainnille (tässä esimerkissä), vaan nämä 10 sijaintia voitaisiin selittää yhtä hyvin käyrillä A ja B. Hyvin tunnettu Nykvistin kriteeri sanoo, että signaali voi-35 daan rekonstruoida täysin, jos siitä otetaan näytteitä suuremmalla taajuudella 111901 7 kuin kaksi kertaa sen suurin taajuuskomponentti. Jos käyrät A ja B esittävät esimerkiksi kentänvoimakkuutta GSM-verkossa, jonka nimellistaajuus on 900 MHz, niin käyrien A ja B tilataajuuden aallonpituus on n. 30 cm. Niinpä signaa-liparametreista tulisi ottaa näytteitä pisteistä, jotka ovat alle 15 cm:n etäisyydel-5 lä toisistaan, mikä selvästikin on mahdoton tehtävä. Mutta jos signaaliparamet-reista otetaan näytteitä pisteistä, jotka ovat yli puolen aallonpituuden etäisyydellä toisistaan, niin käyriä A ja B ei voida rekonstruoida, mikä ilmenee siitä, että pisteiden Χθ ja X10 välillä käyrät A ja B eivät lainkaan muistuta toisiaan.

Syy siihen, että keksintö käytännössä toimii, perustuu siihen, että 10 kanavien lukumäärän kasvaessa niiden pisteiden lukumäärä, joissa kanavat käyttäytyvät yllä kuvatulla tavalla, pienenee nopeasti, ja samalla pienenee todennäköisyys sille, että kahta mielivaltaista pistettä ei voitaisi erottaa toisistaan mitattujen parametrien perusteella.

Kuvio 2 on keksinnön yleistä periaatetta havainnollistava lohkokaa-15 vio. Kuviossa 2 keksintö on toteutettu kompaktina sijainninarviointimoduulina LEM (location estimation module), vaikka hajautetummatkin toteutukset ovat yhtä mahdollisia. Eräs keksinnön oleellinen elementti on vastaanottimen langattoman ympäristön tilastollinen malli SM, joka malli kykenee ennustamaan vastaanottimen sijainnin, kun siihen syötetään useita vallitsevia havaintoja vas-20 taanottimen kohdalla. Tilastollinen malli SM käsittää kalibrointitietoja ja lasken-• tasääntöjä. Se muodostetaan ja sitä ylläpidetään mallinmuodostusmoduulilla MCM (model construction module) kalibrointimittausten CM ja valinnaisesti langatonta ympäristöä koskevan priori- eli ennakkotiedon PI (prior information) perusteella. Valinnainen ennakkotieto Pl voi käsittää tietoa verkon infrastruk-, ‘ 25 tuurista, kuten tukiasemien sijainnit ja radioparametrit. Sijaintipaikkoja, joista kalibrointimittauksia kerätään, kutsutaan kalibrointipisteiksi. Kalibrointimittauk-·’ set CM ovat datatietueita, joista kukin käsittää kyseisen kalibrointipisteen si jainnin X sekä joukon signaaliparametreja V, jotka on mitattu tässä kalibrointi-; pisteessä. Valinnaisesti kalibrointimittauksiin CM voi kuulua myös aika, jolloin 30 mittaus tehtiin, siinä tapauksessa että signaaliparametrit muuttuvat ajan muka-. na. Sijainti X voidaan ilmaista missä tahansa absoluuttisessa tai suhteellisessa , · · ·, koordinaattijärjestelmässä. Erikoistapauksissa, kuten junissa, valtateillä, tunne- leissa, vesiväylillä ja vastaavissa, yksi koordinaatti voi riittää, mutta yleensä : ’·· käytetään kahta tai kolmea koordinaattia. Viitemerkki X osoittaa sijainnin kaik-

:.··· 35 kien koordinaattien joukkoa. Kalibrointitietojen CD ja kalibrointimittausten CM

joukon välinen ero on, että kalibrointitiedot ovat jonkinlaisen puhdistuksen, 111901 8 pakkauksen tai muun jälkikäsittelyn tulosta. Esimerkiksi päällekkäisyydet voidaan poistaa, samoin kuin hajatulokset toistetun mittauksen jälkeen, jne. Lisäksi valinnaisesti käytettävät ennakkotiedot Pl kuuluvat kalibrointitietoihin CD mutta eivät kalibrointimittauksiin.

5 Tulisi huomata, että termiä ’’opetusdataa” käytetään usein tällaisten tilastollisten mallien yhteydessä. Tämän keksinnön yhteydessä käytetään mieluummin termiä ”kalibrointimittaukset/-tiedot”, koska "opetus” voi sisältää sen ajatuksen, että malli on valmis alustavan opetuksen jälkeen, kun taas "kalibrointi” välittää paremmin sen ajatuksen, että mallia on ehkä päivitettävä sään-10 nöllisesti olosuhteiden muuttuessa.

On myös sijainninlaskentamoduuli LCM (location calculation module) tuottamaan sijainninarvio LE vastaanottimen nykyisten havaintojen CO (current observations) ja tilastollisen mallin SM perusteella. Teknisesti ’’mittaukset” ja "havainnot" voidaan suorittaa samalla tavalla, mutta sekaannuksen 15 välttämiseksi ’’mittausta” käytetään yleisesti kalibrointimittausten yhteydessä, ja vastaanottimen nykyisessä sijainnissa mitattuja saatuja signaaliparametreja kutsutaan ’’havainnoiksi”. Vastaanottimen viimeisintä havaintojoukkoa kutsutaan nykyisiksi havainnoiksi. Sijainninlaskentamoduuli LCM tai erillinen arvion tulkintamoduuli EIM (estimation interpretation module) voi käyttää myös vas-20 taanottimen havaintohistoriaa OH (observation history) sijainninarvion tulkitsemiseksi. Toisin sanoen havaintohistoriaa OH voidaan käyttää selvittämään : monitulkintaisuuksia tapauksissa, joissa havaintojoukko voidaan selittää kah- : della tai useammalla sijainnilla olennaisesti samalla todennäköisyydellä.

Kuvio 3 on lohkokaavio, joka esittää tyypillistä kalibrointivastaanotin-• 25 ta CR kuviossa 2 näytettyjen kalibrointitietojen CM määrittämiseksi. Kuviossa 3 . näytetään liikkuva kalibrointivastaanotin, johon kuuluu kannettava tietokone , , (tai tietojenkäsittelylaite) PC-C, matkaviestin MS-C (kuten GSM-, GPRS- tai UMTS-matkapuhelin) ja sijaintivastaanotin (location receiver) kuten GPS-laite , , (global positioning system). Lopukkeet ”-C” tarkoittavat kalibrointivastaanotinta, 30 vastaavien osien erottamiseksi todellisesta vastaanottimesta R kuviossa 4. Selkeyden vuoksi kalibrointivastaanottimen päämoduulit PC-C, MS-C ja LR on : näytetty erillisinä, vaikka kaksi viimeksi mainittua moduulia on saatavana PC- kortteina, jotka voidaan asentaa tyypillisen salkkutietokoneen korttipaikkaan. Kalibrointivastaanotin CR havainnoi käytettävissä olevien tukiasemien BS ra- » · \ " 35 diosignaaliparametreja solukkoradioverkossa RN. Radioverkon RN ja matka- « * » ’· '·’ viestimen MS-C välistä rajapintaa kutsutaan radiorajapinnaksi Rl (radio inter- 111901 9 face). Jos radiorajapinta Rl on kaksisuuntainen, niin kalibrointivastaanotin CR voi lähettää havaintonsa sijainninarviointimoduulille LEM saman radiorajapinnan Rl kautta. Vaihtoehtoisesti kalibrointivastaanottimen kannettava tietokone PC-C voi tallentaa havainnot irrotettavalle muistivälineelle DM (detachable 5 memory), kuten tallennettavalle CD-ROM -levylle, joka myöhemmin tuodaan off-line sijainninarviointimoduulille LEM.

Kalibrointivastaanottimen CR sijaintivastaanotin LR voi olla täysin tavanomainen, esimerkiksi kaupallinen GPS-vastaanotin (global positioning system), kunhan se vain pystyy syöttämään mitatut koordinaatit siihen liitettyyn 10 tietokoneeseen tai muuhun tiedon käsittelylaitteeseen. Kannettava tietokone voi myös olla tavanomainen, sopivasti ohjelmoitu tietokone. Vain matkaviestin MS-C voi tarvita muutoksia laitteistoonsa tai perusohjelmistoonsa eli ROM-muistinsa sisältöön (firmware). Muutoksia voidaan tarvita, riippuen siitä montako signaaliparametria matkaviestin mittaa. Esimerkiksi tavanomainen GSM-15 puhelin monitoroi nykyisen aktiivisolunsa lisäksi joitakin naapurisolujen parametreja, mutta naapurisoluja ei mitata yhtä kattavasti kuin aktiivisolua. Vain kun GSM-puhelimella on käynnissä aktiivinen puhelu, se monitoroi naapu-risolujaan yhtä kattavasti kuin aktiivisoluaan. Tämän keksinnön tarpeisiin olisi hyödyllistä muuttaa matkaviestimen solunmonitorointirutiineja siten, että se 20 monitoroi käytettävissä olevia soluja niin kattavasti kuin mahdollista.

Kalibrointivastaanottimeen CR voi luonnollisestikin kuulua enemmän ·' kuin yksi matkaviestin erityyppisten verkkojen tai eri operaattorien verkkojen monitoroimiseksi. Yleislähetysverkkojen monitoroimiseksi kalibrointivastaanot-; : timeen CR tulisi kuulua myös skannaava yleislähetysvastaanotin (ei näytetty :; 25 erikseen). Vaihtoehtoisesti matkaviestin MS voi olla monitoimilaite, joka kyke- ," . nee vastaanottamaan solukkoverkkoja ja yleislähetysverkkoja.

Kalibrointivastaanottimia, kuten kuviossa 3 näytetty, voidaan liikuttaa ajoneuvoissa tai ihmisten mukana. Kiinteitä kalibrointivastaanottimia, jotka ,, , eivät tarvitse GPS-vastaanotinta, voidaan kiinnittää rakennuksiin, liikenne- • . *’ 30 merkkeihin, lyhtypylväisiin ja vastaaviin. Vaihtoehtona erilliselle sijaintivas- '···* taanottimelle kalibrointivastaanottimen sijainti voidaan määrittää yhdellä tai : useammalla seuraavista tekniikoista: näytetään vastaanottimen sijainti digitaa- *»* lisella kartalla, syötetään katu- tai muu osoite ja muunnetaan se sijainniksi sopivan tietokannan avulla; tai käytetään muita tunnettuja sijainteja, kuten julkis- * · _ ’* 35 ten liikennevälineiden pysäkkejä.

> » » * i >

• I

111901 10

Kuvio 4A on lohkokaavio, joka esittää sijainninarvioinnin kohteena olevan tyypillisen liikkuvan vastaanottimen rakennetta. Vastaanottimen R yksinkertainen suoritusmuoto käsittää vain sopivasti ohjelmoidun matkaviestimen MS. Joitakin suoritusmuotoja varten vastaanotin R voi käsittää myös kannetta-5 van tietokoneen (tai tietojenkäsittelylaitteen) PC. Tässäkin termi ’’vastaanotin” tarkoittaa, että laite vastaanottaa, kun sen sijaintia arvioidaan, vaikkakin käytännössä useimmilla suoritusmuodoilla on myös lähetyskyky. Kuviossa 4A näytetty suoritusmuoto ei sisällä tilastollista mallia SM. Niinpä vastaanottimen R on lähetettävä nykyinen havaintojoukkonsa CO sijainninarviointimoduulille LEM 10 sen tukiaseman BS kautta, johon se on kytkeytynyt. Sijainninarviointimoduuli LEM palauttaa vastaanottimelle sen sijainninarvion LE radiorajapinnan Rl kautta.

Kuvio 4B esittää vaihtoehtoisen suoritusmuodon, jossa vastaanottimeen liitetty tietokone PC ottaa vastaan tilastollisen mallin SM kopion irrotetta-15 valla muistilla DM, kuten CD-ROM -levyllä, ja vastaanotin kykenee määrittämään oman sijaintinsa lähettämättä mitään. Erään muun vaihtoehtoisen (ei erikseen näytetyn) suoritusmuodon mukaisesti vastaanottimeen liitetty tietokone PC voi ottaa vastaan tilastollisen mallin Internet- (tai muun data-) -yhteyden kautta sijainninarviointimoduulille LEM. Tulevaisuuden laajakaistaiset matka-20 viestimet pystynevät vastaanottamaan tilastollisen mallin radiorajapinnan Rl kautta. Näiden tekniikoiden hybridiä voidaan myös käyttää siten, että vastaanotin vastaanottaa alustavan tilastollisen mallin langoitetun yhteyden tai irrotet-' tavan muistin kautta, mutta mallin myöhemmät päivitykset lähetetään radiora japinnan Rl kautta.

* · . 25 Tilastollinen mallintaminen ;"·; Mahdollisia tilastollisia malleja tarkastellaan nyt lähemmin. Yleisesti ottaen tässä yhteydessä käytettynä tilastollinen malli voi käsittää useita erillisiä tilastollisia alimalleja, missä tapauksessa todellinen arvio saadaan yhdistämäl- ‘lä erillisten alimainen tulokset.

30 On useita mahdollisia tilastollisia mallintamisperiaatteita, joita voi- daan käyttää tuottamaan vaaditut tilastolliset alimallit. Seuraavassa keskitytään probabilistiseen periaatteeseen. Probabilistinen malli tarkoittaa, että matka- :·! viestimen sijaintia arvioitaessa tulos esitetään todennäköisyysjakaumana • »· mahdollisten sijaintien yli, mikäli sijaintia X mallinnetaan diskreettinä muuttuja-* ; 35 na, kun taas mikäli sijaintia X mallinnetaan jatkuvana muuttujana, tulos esite tään tiheysfunktiona. Samoin sijainnista riippuvat mittaukset V voidaan myös 111901 11 mallintaa joko diskreetteinä tai jatkuvina havaintomuuttujina. Vektorin V (saatavissa olevien mittausten määrä) dimensioiden määrä muuttuu ja riippuu käytettävän langattoman verkon/verkkojen ominaisuuksista.

Edelleen, on useita probabilistisia malleja, joita voidaan käyttää.

5 Seuraavassa keksinnön edullisessa suoritusmuodossa painopiste on paramet-risissä probabilistisissa malleissa. Tässä tapauksessa yksi ainoa malli voidaan esittää parina (M, Θ) missä M tarkoittaa mallin rakennetta eli sen mallin kvalitatiivisia ominaisuuksia, jotka määrittävät mitä parametreja tarvitaan, ja Θ tarkoittaa parametrien kvantitatiivisia arvoja.

10 Tässä kontekstissa parametristen probabilististen mallien (Μ,θ) ra kentamiseksi on kaksi pääperiaatetta, nimittäin ehdolliset mallit (conditional models) ja yhdistetyt mallit (joint models). Ehdolliset mallit ovat malleja, jotka antavat suoraan todennäköisyysjakaumia muodossa P(X | V, M, Θ), missä V tarkoittaa havaintomuuttujien arvoja (esimerkiksi signaalinvoimakkuusmittauk-15 sista koostuva vektori) ja X tarkoittaa sijaintia, missä havainto V tehtiin. Yhdistetyt mallit määrittelevät todennäköisyysjakaumia P(X V | M, Θ) tapahtumille (X, V).

Kuitenkin todennäköisyysteorian aksiomeja käyttämällä voidaan nähdä, että P(X | V, M, Θ) = P(X V | M, Θ) / P(V | M, Θ), missä P(V | M, Θ) ei rii-20 pu sijainnista X. Niinpä nimittäjää P(V | M, Θ) voidaan pitää normalisointivakio-na. Tämä tarkoittaa, että voidaan aina käyttää yhdistettyä mallia ehdolliseen mallintamiseen, ja seuraavassa keskitytään yhdistämismallintamiseen, ja eh-dollista mallintamista pidetään erikoistapauksena.

. Parametrisia malleja voidaan käyttää sijainninarviointiin usealla ta- : 25 valla. Oletetaan ensiksi, että on päädytty yhden mallin rakenteeseen M, ja ha- lutaan määrittää parametrit kalibrointitiedoista CD, niin että tapahtumille (X, V) : saadaan yhdistetty tilastollinen malli, joka antaa myös, kuten yllä selostettiin, vaaditun ehdollisen jakauman sijainnille X, kun havainnot V tunnetaan. Kuten • v. lähteessä [Kontkanen et ai. 2000] selostetaan, yhdistetyn jakauman tuottami- , · · ·, 30 seksi on useita vaihtoehtoja: 1. Voidaan käyttää P(X, V | M, 0(D)), missä 0(D) on parametrien maksimito- • dennäköisyyden ilmentymä (maximum likelihood instantiation), ts. 0(D) = arg maxP(D|M, 0).

;··,, 2. Voidaan käyttää P(X,V | M, 0(D)), missä 0(D) on parametrien Bayesin mak- : 35 simi posteriorin instanssiointi (Bayesian maximum posterior instantiation), ts. 0(D) = arg max P(0 | M, D) 111901 12 3. Voidaan käyttää P(X,V | M, 0(D)), missä 0(D) on posteriorijakauman odotusarvo (mean of the posterior distribution) P(0 | M, D).

4. Voidaan integroida parametrien yli 0: P(X, V | D,M) = JP(X,V | D,M, 0)P(0 | D,M)d0.

5 5. Voidaan käyttää P(X, V | M, 0(D)), missä 0(D) on parametrin ilmentymä, jo ka optimoi minimaalisen sanomanpituuskriteerin, kuten kuvataan lähteessä [Wallece and Dove 1999] ja siinä viitatuissa lähteissä.

Joissakin erikoistapauksissa vaihtoehdot 3 ja 4 ovat ekvivalenttisia.

Yleisesti ottaen, halutaan ehkä käyttää useita mallirakenteita M.

10 Seuraavassa oletetaan, että on kiinnitetty yleinen malliperhe eli -joukko F, kaikkien harkittavissa olevien mahdollisten mallirakenteiden joukko. Esimerkiksi joukko F voi vastata kaikkien mahdollisten Bayes-verkkomallien joukkoa (ks. [Cowell et ai. 1999], [Pearl 1988]). Tässä tapauksessa tuotetaan prediktiivinen jakauma P(X | V, F) laskemalla painotettu summa yli kaikkien F:n mallien: P(X 15 | V, F) oc Σ P(X , V | M) W(M). Mahdollisiin painofunktioihin W kuuluvat: 1. Maarakenteen M posterioritodennäköisyys, kun data on annettu: P(M | D) oc P(D | M)P(M) = P(M) i P(D |Θ,Μ)Ρ(Θ | M)d0.

2. Datan stokastinen kompleksisuus, kun mallirakenne M ja stokastisen komp-leksisuuskriteerin approksimaatiot on annettu; tätä tarkastellaan lähteessä 20 [Rissanen 1999] ja siinä viitatuissa lähteissä.

3. Datan minimisanomapituus, kun mallirakenne M ja MML-kriteerin approk-simaatiot on annettu; tätä tarkastellaan lähteessä [Wallace and Dowe 1999] ja siinä viitatuissa.

j On myös mahdollista käyttää painofunktioiden ehdollisia (valvottuja) . ·. 25 versioita, missä tapauksessa painot lasketaan suhteessa ehdolliseen mallin- , ·. tamiseen, ja todelliset tiedot koostuvat vain sijaintimuuttujan X arvoista, ja mit taustietoja V käsitellään "taustatietoina”. Näitä vaihtoehtoja tarkastellaan läh-, , teessä [Kontkanen et ai 1999].

Jos F:n mallirakenteiden M määrä on liian suuri painotetun summan i · 30 laskemiseksi kohtuullisessa ajassa, malliperhettä F on rajoitettava : kohdistamalla siihen haku ja karsimalla F koostumaan vain niistä • I » maarakenteista, jotka ovat parhaita jonkin kustannusfunktion suhteen.

Mahdollisiin kustannusfunktoihin haun suorittamiseksi kuuluvat yllä mainitut \ painofunktiot. Mitä tahansa hakualgoritmia voidaan käyttää tähän • · · ·» '· '· 35 tarkoitukseen. Ääritapaus tällaisesta rajoittavasta hausta on tapaus, jossa valitaan vain yksi F:n malli M. Toisin sanoen summa mallirakenteiden yli 111901 13 en summa mallirakenteiden yli redusoituu vain yhteen termiin, joka vastaa suurimman painon omaavan yhden mallin käyttöä.

Jos havainnot V mallinnetaan diskreetteinä muuttujina, diskreettien muuttujien granulariteetti voidaan nähdä mallirakenteen M osana. Granulari-5 teetti voi olla joko käyttäjän kiinnittämä (edustaa ennakkotietoja) tai mallirakenteen M osana se voidaan oppia kalibrointitiedoista.

Valinnaiset ennakkotiedot, kuten tieto tukiasemien sijainneista ja ra-dioparametreista, edustaa muuta tietoa kuin mitä voidaan poimia kalibrointimit-tauksista. Probabilistisessa asettelussa voidaan yksilöidä seuraavat tavat en-10 nakkotietojen koodaamiseksi: 1. Valitsemalla todennäköisyysmallien alustava malliperhe F (määrittäen harkittavat mallirakenteet, ja kunkin mallirakenteen yhteydessä käytettyjen jakaumien muodot ja tehdyt oletukset).

2. Jos havaintomuuttujia V pidetään diskreetteinä, valitsemalla diskretisoinnin 15 granulariteetti.

3. Jos sijaintimuuttujaa X pidetään diskreetteinä, valitsemalla diskretisoinnin granulariteetti.

4. Määrittämällä priorijakauma Ρ(θ | M) mallin M parametreille.

5. Määrittämällä priorijakauma P(M) perheen F mallirakenteille.

20 Puuttuvat tiedot : Puuttuvien tietojen käsittelemiseksi on useita vaihtoehtoisia toimin- : tatapoja: 1. Käsitellään ’’puuttuva” kyseisen muuttujan ylimääräisenä arvona, i 2. Jätetään puuttuvat merkinnät huomiotta (riittävät tilastotiedot lasketaan vain : ': 25 olemassa olevista tiedoista).

: · 3. Arvioidaan puuttuvat arvot olemassa olevista tiedoista ja/tai ennakkotiedois ta. Arvioita voidaan käyttää joko syöttämään valistuneita arvauksia puuttu-: . vista arvoista tai ne voidaan käsitellä osittaisina havaintoina (usean mahdol- lisen arvon riittävät tilastotiedot voidaan päivittää samanaikaisesti, esimer-30 kiksi niiden arvioitujen todennäköisyyksien mukaisesti).

4. Täytetään puuttuvat arvot käyttämällä satunnaisia arvauksia.

• »

Sijainnin tulkinta ja raportointi \ " Probabilistisen sijainninarvioinnin tulokset voidaan raportoida useal- *· " la eri tavalla. Ensiksikin toiminta-alue voidaan jakaa useaksi alialueeksi eri ta- 35 voin: alialueet voivat joko muodostaa toiminta-alueen täyden osituksen tai ne 111901 14 voivat kattaa vain osan toiminta-alueesta. Esimerkki viime mainitusta tapauksesta on, että otetaan huomioon vain sijainnit, jotka on listattu kalibrointitie-doissa D (halutulla tarkkuudella). Probabilistisen sijainninarvioinnin tulokset voidaan nyt raportoida joko:

5 1. Antamalla täysi todennäköisyysjakauma alueiden yli, ts. kullekin alueelle X

annetaan vastaava todennäköisyys P(X | V, F).

2. Antamalla todennäköisin alialue X suhteessa jakaumaan P(X | V, F).

3. Antamalla paikka-arvio, joka minimoi jonkin virhefunktion arvon suhteessa jakaumaan P(X | V, F).

10 Esimerkki vaihtoehdosta 3 on keskimääräinen neliövirhe (mean squared error), missä tapauksessa paikka-arvio on alialueiden keskipisteiden painotettu keskiarvo (olettaen, että alialueet ovat saman kokoisia) ja painot ovat todennäköisyyksiä P(X | V, F). Jos alialueet eivät ole saman kokoisia, painot voidaan skaalata uudelleen vastaavan alialueen koon suhteessa, esi-15 merkiksi kertolaskulla.

Epävarmuutta vastaanottimen sijainnista voidaan vähentää ennakkotiedoilla Pl, mikäli niitä on käytettävissä ja/tai havaintohistorialla OH. Oletetaan, että aluksi valittiin yllä esitetty vaihtoehto 1. Toisin sanoen vastaanottimen sijaintia pyytävällä käyttäjälle tai sovellukselle raportoidaan täysi todennä-20 köisyysjakauma. Todennäköisyysjakauma voi osoittaa useita mahdollisia si-jainteja. Ennakkotiedot Pl, mikäli niitä on käytettävissä, voivat osoittaa, että vain yksi sijainti on mahdollinen, ottaen huomioon vastaanotetut solutunnisteet tai vastaavat. Vaihtoehtoisesti havaintohistoriaa OH voidaan käyttää sulke-maan pois joitakin sijainteja. Esimerkiksi, vaikka joukko sijainteja voisi selittää . ·. 25 vastaanottimen nykyisen sijainnin, vain sijaintien alijoukko voi selittää koko * · . havaintohistorian, ottaen huomioon matkaviestimen rajallisen nopeuden.

Suorituskykyesimerkkejä t * · • · ·

• I

:" Esimerkki 1: sijainnin arviointi Naive Bayes -mallilla.

• · I

, Tarkasteltavat alialueet X ovat sijainteja, jossa kalibrointitietoja ke- ;;; 30 rättiin. Sijaintien säteeksi oletetaan yksi metri, vaikka mitä tahansa yksikköä voidaan käyttää. Havaintomuuttujat V käsitellään diskreetteinä millä arvolla, j '·· m:n arvo voi olla vakio (esim. 3), tai se voidaan optimoida käyttämällä jotain : yllä selostettua painotusfunktiota. Intervallien väliset rajapisteet voidaan mää rittää siten, että opetusnäytteiden määrä kussakin intervallissa on sama (vakio- 111901 15 taajuinen diskretisointi), tai vaihtoehtoisesti intervallit voidaan tehdä saman levyisiksi (vakiolevyinen diskretisointi). Intervallit voidaan määrittää myös käyttämällä klusterointialgoritmia, kuten K-means -algoritmia.

Käytetään yhtä mallirakennetta M: havaintomuuttujat V-i, ... Vn 5 oletetaan riippumattomiksi, annettuna sijaintimuuttujan X arvo. Data oletetaan riippumattomasti ja identtisesti jakautuneeksi, ja sen oletetaan seuraavan mul-tinomijakaumaa oletuksin, jotka selostetaan lähteessä [Geiger ja Heckermann, 1998]. Ennakkotietoja ei ole. Mallin parametreille käytetään ei-informatiivista, tasaista priorijakaumaa. Vaihtoehtoja selostetaan lähteessä [Kontkanen et ai., 10 2000]. Jakauma P(X, V | D, M) lasketaan integroimalla parametrien yli. Yllä esitetyillä oletuksilla tämä voidaan tehdä niin kuin selostetaan lähteessä [Kontkanen et ai., 2000].

Tässä esimerkissä havaintohistoria OH otetaan huomioon käsittelemällä kahdeksan (muutkin lukumäärät ovat yhtä mahdollisia) viimeistä sig-15 naalinmittausta yhtenä mittausvektorina V siten, että kahdeksan erillistä mittausta oletetaan toisistaan riippumattomiksi. Tulos annetaan pisteenä, joka lasketaan alialueiden keskipisteiden painotettuna keskiarvona, missä alueen X paino on P(X | V, D, M).

Menetelmä toteutettiin ja testattiin Helsingin keskikaupungilla hyö-20 dyntämällä signaalinvoimakkuuksia Soneran GSM-verkossa. Toiminta-alueen koko oli noin 400 * 500 metriä, ja kalibrointitiedot kerättiin ulkona kaduilla noin M » ’ 50:stä tasaisesti jakautuneesta pisteestä. Keskimääräinen etäisyys kahden : : mittauspisteen välillä oli noin 50 m. Järjestelmä testattiin käyttämällä sijainnin arvioijaa 300:ssa satunnaisesti valitussa sijaintipaikassa työalueen sisällä.

25 Keskimääräinen sijainnin virhe tässä testissä oli 42 m.

‘ ^ Esimerkki 1: sijainnin arviointi histogrammien yhdistelmä -mallilla

Sijaintimuuttujan X katsotaan koostuvan kahdesta koordinaatista .. ^ (yksi tai kolme on myös mahdollinen määrä) hienojakoisella diskreetillä as- teikolla. Asteikon resoluutio on esimerkiksi yksi metri, havaintomuuttujat Vi, ...

« · *·;·* 30 Vn oletetaan diskreeteiksi, niin että maksimi mittalaitteen määrittämä resoluutio : on esimerkiksi 1 dBm. Nimetään yhdistelmää Vi, ... Vn merkillä V. Puuttuvat arvot korvataan arvolla, joka on pienempi kuin mikään mahdollinen havaitta- • < · vissa oleva arvo. Tarkastellaan useita malleja. Kuhunkin malliin Mki liittyy pa-rametrit k, I, ja 0ki joiden semantiikkaa selostetaan seuraavassa.

• · 111901 16

Kuvio 5 esittää tilastollisen mallin rakennetta. Muuttujan Xk arvo saadaan diskretisoimalla muuttujan X arvo k:ksi arvoksi. Muuttujien Vi(l) ...

Vn(l) ehdollista jakaumaa, kun Xk:n arvo tunnetaan, kuvataan malliparametreil-la 0ki. Kukin Vj, missä i kuuluu joukkoon {1,.... n}, on tasan jakautunut muuttu-5 jän Vj(l) arvon määrittelemässä intervallissa. Matalan resoluution sijaintimuut-tuja Xk johdetaan diskretisoimalla hienojakoisempi sijaintimuuttuja X tasalevyisellä diskretisoinnilla (muutkin diskretisointimenetelmät ovat mahdollisia) käyttämällä k:ta koria, ts. k:ta mahdollista arvoa. Aina kun matalan resoluution dis-kretisoinnin reunapiste esiintyy hienojakoisen diskretisoinnin kahden reunapis-10 teen välillä, niin massa (ts. havaintojen määrä ali-intervallissa) jaetaan päällekkäisten intervallien suhteellisen koon mukaisesti). Esimerkiksi olkoon hienojakoisessa diskretisoinnissa 5 koria (4 reunapistettä) alueella [0, 10]. Olkoon matalan resoluution diskretisoinnissa 2 koria ja siten 1 reunapiste arvoltaan 5. Jos alueella [4, 6], ts. hienojakoisen diskretisoinnin kolmannessa korissa on x ha-15 vaintoa, niin molemmat matalan resoluution diskretisoinnin korit saavat x/2 havaintoa, koska reunapiste 5 halkaisee alueen [4, 6] kahteen yhtä suureen osaan. Samoin kukin havaintomuuttuja V, diskretisoidaan käyttämällä I mahdollista arvoa, jolloin saadaan matalan resoluution muuttuja Vj(l).

Malli Mki kuvaa ehdollisia todennäköisyysfunktioita P(V(I) | Xk, Mki, 20 0ki), missä 0ki tarkoittaa mallin Mki malliparametreja. Matalan resoluution ha- . vaintomuuttujien Vi(l).....Vn(l) oletetaan olevan itsenäisiä, kun tunnettuna on «· sijaintimuuttuja Xk arvo. Kullekin i:lle, joka kuuluu joukkoon {1, ..., n}, jakauma : P(V,(I) | Xk, Mki, 0ki) oletetaan riippumattomasti ja identtisesti jakautuneeksi, ja .·’ sen oletetaan seuraavan multinomi-Dirichlet -jakaumaa oletuksin, jotka selos- * 25 tetaan lähteessä [Geiger ja Heckermann, 1998]. Ennakkotietoja ei ole. Malleille •\ *: Mki käytetään tasaista priorijakaumaa. Malliparametreille käytetään ei- : informatiivisen ekvivalenttisen näytekoon priorijakaumaa (equivalent sample size, ESS), kuten selostetaan lähteessä [Heckerman, 1995]. ESS- parametreille käytetään toisen kertaluvun priorijakaumaa, esimerkiksi tasaista .··. 30 jakaumaa yli joukon {1, 10}. Kullekin i:lle, joka kuuluu joukkoon {1, .... n}, ja- * · kauma P(V|(I) | Xk, Mki) lasketaan integroimalla yli malliparametrien. Yllä olevilla oletuksilla tämä voidaan tehdä kuten selostetaan lähteessä [Kontkanen et ai., 2000].

:\it Jakauma P(V, | Vj(l)) oletetaan tasaiseksi yli arvon V,(l) määrittele- : 35 män intervallin ja parametrin I määrittelemän V,:n diskretisoinnin. Esimerkiksi olkoon ν,-.η alue [0,10], olkoon l:n arvo 5 ja Vj(l):n arvo 2. Olettaen, että käyte- 111901 17 tään tasavälistä diskretisointia, Vf.n arvot diskretisoidaan viiteen intervalliin: [0, 2], [2, 4], [4, 6], [6, 8] ja [8, 10]. Nyt, ottaen huomioon, että Vj(l):n arvo on 2, jakauma P(Vi | V,(l)) on tasainen yli intervallin [2, 4]. Muuttujien V-i,..., Vn oletetaan olevan toisistaan riippumattomia, kun muuttujien Vi(l), ..., Vn(l) arvot tun-5 netaan.

Yhdistämällä nämä kaksi jakaumaa P(V(I) | Xk, ja P(V | V(l)) saadaan ehdollinen jakauma P(V | Xk, Mki). Jakauma P(V | X, D) lasketaan painotettuna keskiarvona mallien Mk| yli, missä k ja I vaihtelevat yli joukon {1, ..., 20} (muutkin valinnat yhtälailla mahdollisia). Mallit painotetaan marginaali-10 sella todennäköisyydellä P(V(D) | Xk(D), Mki), missä kalibrointitiedot (n:llä havainnolla) koostuvat vektoreista V(D) = (V1(D).....Vn(D)) ja Xk(D) = (Xk1(D),...,

Xkn(D)).

Näillä oletuksilla marginaalinen todennäköisyys voidaan laskea tehokkaasti kahdessa osassa: ensin muodossa P(V(I) | Xk, Mw) olevien termien 15 tulo voidaan laskea kuten selostetaan lähteessä [Heckermann, 1995] ja [Geiger ja Heckermann, 1998]. Toiseksi muodossa P(V | V(l)) olevilla termeillä on sama arvo, joka on l:stä riippuva vakio, koska jakauma P(V | V(l)) on tasainen. Tulos annetaan posterioritodennäköisyysjakaumana P(X | V, D) = P(V | X, D) P(X | D) / P(V | D) yli sijaintimuuttujan X. Jakauma P(X | D) oletetaan tasaisek-20 si. Termi P(V | D) on normalisointitekijä, jonka arvo jätetään huomiotta. Sen sijaan tuloksena oleva jakauma P(X | V, D) normalisoidaan niin, että sen sum- * * · ma on yksi.

Yllä selostettu menetelmä toteutettiin ja testattiin kokeellisesti Helsingissä osoitteessa Teollisuuskatu 23 olevan rakennuksen toisessa kerrok-·: 25 sessa käyttäen salkkutietokonetta, joka mittaa WLAN:in signaalinvoimakkuuk- siä WLAN PC -kortin kautta. Työalueen koko oli likimain 20 * 45 metriä (900 ; neliömetriä). Kalibrointitietoja kerättiin 12 mielivaltaisessa pisteessä ja siinä olevien datavektorien kokonaismäärä oli 204. Järjestelmää testattiin käyttämäl-;v. lä sijainninarvioijaa 25:ssä mielivaltaisesti valitussa sijainnissa työalueen puit- ,·*·, 30 teissä. Sijainnin arviointi toistettiin viisi kertaa kussakin sijainnissa. Kun yllä * · esitettyä järjestelmää käytettiin määrittämään työalue, jolla on 95 %:n toden-..v näköisyysmassa, niin oikea paikka oli tällä alueella 77 % ajasta. 95 %:n toden- * t t näköisyysmassan alueen keskimääräinen koko oli likimain 151 m2 eli noin 17% :·. kokonaisalueesta.

i »· 111901 18 Lähteet:

Cowell, R., Dawid P.A., Lauritzen S., Spiegelhalter D: Probabilistic Networks and Expert Systems, Springer, New York, 1999.

Geiger, D. and Heckerman, D: Parameter Priors for Directed Asyclic 5 Graphical Models and Characterization of Several Probability Distributions,

Techical Report MSR-TR-98-67, Microsoft Research, December 1998.

Heckerman D., A Tutorial on Learning with Bayesian Networks,

Technical Report MSR-TR-95-06, Microsoft Research, 1995.

Kontkanen, P., Myllymäki, P., Silander, T., Tirri, H., and Grunwald, 10 P: On Predictive Distributions and Bayesian Networks, Statistics and Computing 10 (2000), p. 39 - 54.

Kontkanen, P., Myllymäki, P., Silander, T. and Tirri, H: On Supervised Selection of Bayesian Networks, Proceedings of the 15th International Conference on Uncertainty in Artificial Intelligence (UAI'99), 15 Laskey, K. and Prade, H., 1999, Morgan Kauffmann, p. 334 - 342.

Pearl, J: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann Publishers, San Mateo, CA, 1988.

Rissanen, J: Hypothesis Selection and Testing by the MDL Principle, Computer Journal 42 (1999) 4, p. 260-269.

20 Wallace, C.S. and Dowe, D.L., Minimum Message Length and Kol mogorov Complexity, Computer Journal 42 (1999) 4, p. 270-283.

»« ·

Kaikki lähteet sisältyvät tähän hakemukseen viittauksena.

> · !» * • k • · # • »

Claims (15)

111901 19

1. Menetelmä vastaanottimen (R, R’) sijainnin (X) arvioimiseksi langattomassa tietoliikenneympäristössä (RN), johon kuuluu useita kanavia samanaikaista liikennöintiä varten, kun kullakin kanavalla on ainakin yksi signaa- 5 liparametri (V), joka vaihtelee sijainnista (X) riippuen eri tavalla kuin muilla kanavilla, tunnettu siitä, että menetelmä käsittää vaiheet: kullekin useasta kalibrointipisteestä langattomassa tietoliikenneympäristössä määritetään joukko kalibrointimittauksia (CM), joista kuhunkin kalib-rointimittausten joukkoon kuuluu kyseisen kalibrointipisteen sijainti (X) ja aina-10 kin yksi mitattu signaaliparametri (V) kullekin useasta kanavasta kyseisessä kalibrointipisteessä; kalibrointimittausten (CM) perusteella ylläpidetään tilastollista mallia (SM) usean kanavan signaaliparametreista (V) vastaanottimen sijainnin funktiona langattomassa tietoliikenneympäristössä (RN); 15 määritetään havaittujen signaaliparametrien joukko (CO), johon joukkoon kuuluu ainakin yksi havaittu signaaliparametri (V) kullekin useasta kanavasta vastaanottimen (R, R’) sijainnin (X) kohdalla; ja määritetään vastaanottimen (R, R’) sijaintia (X) approksimoiva si-jainninarvio (LE) tilastollisen mallin (SM) ja havaittujen signaaliparametrien 20 joukon (CO) perusteella.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että vastaanotin (R) lähettää havaittujen signaaliparametrien joukon (CO) ui-koiselle sijainninarviointimoduulille (LEM), joka lähettää sijainnin arvion (LE) vastaanottimelle (R). : 25

3. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että vastaanottimeen (R’) on tallennettu tilastollisen mallin (SM) kopio, ja että ( se määrittää sijainnin arvion (LE) tilastollisen mallin (SM) kopion perusteella.

4. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että tilastollista mallia (SM) ylläpidetään lisäksi langattoman 30 ympäristön (RN) infrastruktuuria koskevan ennakkotiedon perusteella.

5. Jonkin patenttivaatimuksen 1 - 4 mukainen menetelmä, tun-nettu siitä, että tilastollinen malli (SM) on tai siihen kuuluu probabilistinen ... ·’ malli, edullisesti Bayes-malli.

6. Patenttivaatimuksen 5 mukainen menetelmä, tunnettu siitä, 35 että tilastollinen malli (SM) on tai siihen kuuluu Bayes-verkkomalli. 111901 20

7. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että tilastollisen mallin (SM) signaaliparametrit ovat toisistaan riippumattomia, kun sijainti (X) tunnetaan.

8. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, 5 tunnettu siitä, että vastaanottimen sijaintia koskevaa epävarmuutta vähennetään havaittujen signaaliparametrien historian (OH) perusteella.

9. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että ainakin joitakin signaaliparametreja mallinnetaan diskreeteillä muuttujilla, joiden arvot vastaavat intervalleja tai intervallien unioneja 10 mahdollisten signaaliparametriarvojen alueella.

10. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että sijaintia (X) mallinnetaan diskreettinä muuttujana.

11. Sijainninarviointilaitteisto (LEM) vastaanottimen (R, R’) sijainnin (X) arvioimiseksi langattomassa tietoliikenneympäristössä (RN), johon kuuluu 15 useita kanavia samanaikaista liikennöintiä varten, kun kullakin kanavalla on ainakin yksi signaaliparametri (V), joka vaihtelee sijainnista (X) riippuen eri tavalla kuin muilla kanavilla, tunnettu siitä, että sijainninarviointilaitteistoon kuuluu: mallinmuodostusmoduuli (MCM): 20. vastaanottamaan joukon kalibrointimittauksia (CM) kullekin useas ta kalibrointipisteestä langattomassa tietoliikenneympäristössä, joista kuhunkin kalibrointimittausten joukkoon kuuluu kyseisen kalibrointipisteen sijainti (X) ja : ainakin yksi mitattu signaaliparametri (V) kullekin useasta kanavasta kyseises sä kalibrointipisteessä; ja ·.: 25 - ylläpitämään kalibrointimittausten (CM) perusteella tilastollista mal- lia (SM) usean kanavan signaaliparametreista (V) vastaanottimen sijainnin funktiona langattomassa tietoliikenneympäristössä (RN); sekä sijainninlaskentamoduuli (LCM): - vastaanottamaan joukon havaittuja signaaliparametreja (CO), jo-. 30 hon joukkoon kuuluu ainakin yksi havaittu signaaliparametri (V) kullekin useas- * ’ ta kanavasta vastaanottimen (R, R’) sijainnin (X) kohdalla; ja : - määrittämään vastaanottimen (R, R’) sijaintia (X) approksimoivan sijainninarvion tilastollisen mallin (SM) ja havaittujen signaaliparametrien jou-] kon (CO) perusteella. , i 35

12. Vastaanotin (R, R’), johon kuuluu välineet määrittämään havait- : tujen signaaliparametrien joukkoja (CO), joista kuhunkin joukkoon kuuluu aina- 21 111901 kin yksi havaittu signaaliparametri (V) kullekin useasta kanavasta vastaanottimen (R, R’) sijainnin (X) kohdalla, tunnettu siitä, että vastaanottimeen kuuluu välineet siirtämään havaittujen signaaliparametrien joukot (CO) sijainnin-laskentamoduulille (LCM) vastaanottimen (R, R’) sijaintia (X) approksimoivan 5 sijainninarvion (LE) määrittämiseksi perustuen mainittuihin joukkoihin ja tilastolliseen malliin (SM) usean kanavan signaaliparametreista (V) vastaanottimen sijainnin funktiona langattomassa tietoliikenneympäristössä (RN).

13. Patenttivaatimuksen 12 mukainen vastaanotin (R’), tunnettu siitä, että se käsittää sijainninlaskentamoduulin (LCM).

14. Patenttivaatimuksen 12 mukainen vastaanotin (R), tunnettu siitä, että välineisiin havaittujen signaaliparametrien joukkojen kuljettamiseksi kuuluu välineet (Rl) joukkojen kuljettamiseksi ulkoiselle sijainninlaskentamo-duulille (LCM).

15. Jonkin patenttivaatimuksen 12 - 14 mukainen vastaanotin, 15 tunnettu siitä, että ainakin jotkut havaittujen signaaliparametrien joukot (CO) koskevat verkkoja, joihin vastaanotin ei ole kirjautunut. > I » • I » 111901 22