CN105744561B - 多维度测量报告室内外分离方法 - Google Patents
多维度测量报告室内外分离方法 Download PDFInfo
- Publication number
- CN105744561B CN105744561B CN201610127602.2A CN201610127602A CN105744561B CN 105744561 B CN105744561 B CN 105744561B CN 201610127602 A CN201610127602 A CN 201610127602A CN 105744561 B CN105744561 B CN 105744561B
- Authority
- CN
- China
- Prior art keywords
- value
- data
- grid
- room
- outdoor
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多维度测量报告室内外分离方法,有效弥补了MR栅格化评估方法的局限性,通过基于室分信号源分离法、基于室外测试特征分离法、基于用户移动性分离法,形成多维度室内外MR分离方法用以区分室内外MR数据,进而形成室内外MR栅格,用以评估居民楼、写字楼、酒店等室内场景以及各种室外道路场景的无线网络质量。
Description
技术领域
本发明涉及一种多维度测量报告室内外分离方法。
背景技术
测量报告MR是用户发起业务与基站通信过程中产生的测量报告,它是全天候、全时段的无线环境测量数据,是无线资源调度的依据,直接反应业务质量和用户感知,它具备海量数据特点,样本方差小,准确性高,且获取成本低等优势,故MR是指导运营商规划、建设以及优化的有效手段。传统的评估方法有(1)小区及的MR评估手段,即通过统计小区的覆盖率,质差率,上下行接收功率不平衡比例等指标来评价小区的质量。(2)将MR栅格地理化,地理上以更小的粒度来评价每个栅格的无线网络质量。
(1)小区级的MR评估方法只能决定当前小区的无线网络质量,但一个小区的覆盖范围是很广的,不能定位出具体哪个位置信号不好。
(2)MR栅格化评估方法虽然能评估出更加细化的地理位置无线网络质量,但由于目前的MR具体定位经纬度有一定误差,所以用具体栅格来代表室内深度或街道的无线网络质量会存在不准确的情况。
发明内容
本发明的目的在于克服现有技术的不足,提供一种多维度测量报告室内外分离方法,通过基于室分信号源分离法、基于室外测试特征分离法、基于用户移动性分离法,形成多维度室内外MR分离方法用以区分室内外MR数据,进而形成室内外MR栅格,用以评估居民楼、写字楼、酒店等室内场景以及各种室外道路场景的无线网络质量。
本发明的目的是通过以下技术方案来实现的:多维度测量报告室内外分离方法,它包括如下子步骤:
S1:数据采集,从服务器上通过采集接口采集MR数据、路测数据、空分基础数据和GIS数据;
S2:将MR数据进行清洗,去除非法数据及噪声;
S3:将MR数据进行室分数据分离计算,计算待检测MR数据的室分置信度a,判断室分置信度a与室分门限值A的关系,若室分置信度a小于室分门限值A,则分离结束,跳转步骤S6,若否则跳转步骤S4;
S4:将MR数据进行用户移动性分离计算,计算待检测MR数据的移动性置信度b,判断室内外分离置信度b与门限值thre的关系,若室内外分离置信度b高于门限值thre1,且小于门限值thre2,则分离结束,跳转步骤S6,否则跳转步骤S5;
S5:将MR数据进行室外测试特征分离计算,计算待检测MR数据的测试特征置信度,将测试特征置信度c输入神经网络分类器进行判断,则分离结束,跳转步骤S6,若不能进行分离,将不能区分的MR数据抛弃掉;
S6:输出当前MR分离结果,即输出MR属于室内或室外的结果;所述的门限值A取值为432,所述的门限值thre1的取值为1.2,所述的门限值thre2的取值为0.8。
所述的步骤S3中的室分数据分离计算包括如下子步骤:
S31:将采集到的MR数据按IMSI的会话进行分段;
S32:根据当前MR数据得到主服务小区Cell1以及检测到的各个邻区{Cell2,Cell3……CellN};
S33:将集合{Cell1,Cell2……CellN}与室分数据库相匹配,若CellN为室分站点,则放入集合{Celli1,Celli2……CelliN};
S34:根据步骤S31得到单用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}};获取室分数据库每个室分站点的经纬度{{hlon1,hlat1},{hlon2,hlat2}……{hlon,hlatm}};
S35:根据步骤S34,得到用户轨迹与最近的室分站点的距离集合{d1,d2,……dn},然后计算用户与室分站点的平均距离avgdist=(d1+d2+……dn)/n;
S36:如果平均距离avgdist小于一门限A,且步骤S33的集合{Celli1,Celli2……CelliN}不为空集,则当前用户会话产生的MR位于室内,否则进入步骤S4进一步判断。
所述的步骤S4中的用户移动性分离计算包括如下子步骤:
S41:将采集到的晚上凌晨MR数据按N*N米划分成栅格,按经纬度投放到不同的栅格中;
S42:遍历步骤S41中的每个栅格中各个用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}},得到每个用户的速率集合{vk1,vk2……vkn}及方差,以此作为每个栅格晚上移动性特征,作为分类器;
S43:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S44:根据S43得到单用户的经纬度轨迹{{lon1,la1},{lon2,la2}……{lonn,lan}},计算其速率{v1,v2……vk}及方差;
S45:把S44中的速率均值以及方差输入S42中的分类器中,输出每个用户的室内外分离置信度b;
S46:若室内外分离置信度b大于一门限thre1,则判断白天当前用户会话产生的MR为室内,若室内外分离置信度b小于一门限thre2,则判断用户会话产生的MR为室外,否则进行步骤S5的判断。
所述的步骤S5中的室外测试特征分离计算包括如下子步骤:
S51:将室外测试的DT/CQT数据按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成M个栅格,每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}
S52:选取BP人工神经网络算法建立分类模型,将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数,用1或0代表室内和室外作为输出层参数,每个DT/CQT栅格训练成一个分类器,共有M个分类器;
S53:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S54:将每个用户的每次会话的MR按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成K个栅格,每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak};
S55:根据最近距离找出步骤S54中每个MR栅格对应的神经网络分类器;
S56:遍历每一个S54中的MR栅格,提取MR栅格中的每条MR,得到前六强RSCP和EC/NO作为分类器的12个输入参数;
S57:将12个参数输入到当前MR栅格对应的神经网络分类器中,运算后得到每条MR室内室外属性。
所述的步骤S35中用户与室分站点的平均距离的计算方法包括:设目标小区A的经纬度为(LonA,LatA),目标小区B的经纬度为(LonB,LatB),按照0度经线的基准,东经取经度的正值,西经取经度负值,北纬取90-纬度值,南纬取90+纬度值,则经过上述处理过后的两点被计为(MLonA,MLatA)和(MLonB,MLatB);根据三角推导,可以得到计算两点距离的如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
Dist=R*Arccos(C)*Pi/180
Dist即为目标小区与邻接小区的距离;
计算用户轨迹与任一室分站点平均距离的方法:
Ci=sin(lati)*sin(hlatk)*cos(loni-hlonk)+cos(lati)*cos(hlatk)(1<=i<=n)
上式中k值代表第k个室分,Ci代表用户轨迹中第i个采样点与室分k的距离,avgdist表示整个用户轨迹与第k个室分站点的平均距离;
根据用户轨迹与任一室分的距离,于是可得到最近距离为:
minavgdist=min(avgidst1,avgdist2......avgdistk)。
所述的步骤S51中DT/CQT测试采样点栅格投放包括如下子步骤:
S511:经纬度统一处理,保留5位小数,若采集到的经纬度小数点后位数超过5位,则省略掉第5位后的位数,若不足5位,则在后面补0;
S512:确定每条DT/CQT数据的栅格标识,以50米*50米栅格为例,截取经纬度小数点后第4位假设为a,a的取值范围为0≤a≤9,若a≤5则a统一取值为0;若a>5,则a取值为5;将经度的前7位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识;
S513:确定每个DT/CQT采样点的栅格标识,然后再确定每个采样点与哪个栅格相对应,即完成DT/CQT测试采样点的栅格投放。
所述的步骤S52中BP人工神经网络算法建立分类模型的方法包括如下子步骤:
S521:数据归一化处理,归一化算法为:
y=(x-min)/(max-min)(0<=y<=1)
上式中的x为具体MR采样点第N导频的RSCP或Ec/No值,min为RSCP或Ec/No的最小取值,分别为-112和-24;max为RSCP或Ec/No的最大取值,分别为-40和-1,y为归一化后的值,被映射为0至1的取值范围;
S522:初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2],初始值利用随机函数生成;
S523:得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值,如下式:
yi=f(neti)
上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值,θ表示一个阈值默认取0,xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值,yi为神经元i的输出值;f(x)为转移函数;通过上述三式即可得到每一条MR的室内外属性输出;
S524:根据理论输出校正步骤S423中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2],不断的迭代学习。
本发明的有益效果是:本发明提供了一种多维度测量报告室内外分离方法,有效弥补了MR栅格化评估方法的局限性,通过基于室分信号源分离法、基于室外测试特征分离法、基于用户移动性分离法,形成多维度室内外MR分离方法用以区分室内外MR数据,进而形成室内外MR栅格,用以评估居民楼、写字楼、酒店等室内场景以及各种室外道路场景的无线网络质量。
附图说明
图1为多维度测量报告室内外分离方法示意图;
图2为室分数据分离计算方法示意图;
图3为用户移动性分离计算方法示意图;
图4为室外测试特征分离计算方法示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,多维度测量报告室内外分离方法,它包括如下子步骤:
S1:数据采集,从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数据;把白天的MR数据作为检测集;把晚上MR数据、路测数据、室分数据作为训练集;
S2:将MR数据进行清洗,去除非法数据及噪声;
S3:将MR数据进行室分数据分离计算,计算待检测MR数据的室分置信度a,判断室分置信度a与室分门限值A的关系,若室分置信度a小于室分门限值A,则分离结束,跳转步骤S6,若否则跳转步骤S4;
S4:将MR数据进行用户移动性分离计算,计算待检测MR数据的移动性置信度b,判断室内外分离置信度b与门限值thre的关系,若室内外分离置信度b高于门限值thre1,且小于门限值thre2,则分离结束,跳转步骤S6,否则跳转步骤S5;
S5:将MR数据进行室外测试特征分离计算,计算待检测MR数据的测试特征置信度,将测试特征置信度c输入神经网络分类器进行判断,则分离结束,跳转步骤S6,若不能进行分离,将不能区分的MR数据抛弃掉;
S6:输出当前MR分离结果,即输出MR属于室内或室外的结果;
所述的门限值A取值为432,所述的门限值thre1的取值为1.2,所述的门限值thre2的取值为0.8。
如图2所示,所述的步骤S3中的室分数据分离计算包括如下子步骤:
S31:将采集到的MR数据按IMSI的会话进行分段;
S32:根据当前MR数据得到主服务小区Cell1以及检测到的各个邻区{Cell2,Cell3……CellN};
S33:将集合{Cell1,Cell2……CellN}与室分数据库相匹配,若CellN为室分站点,则放入集合{Celli1,Celli2……CelliN};
S34:根据步骤S31得到单用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}};获取室分数据库每个室分站点的经纬度{{hlon1,hlat1},{hlon2,hlat2}……{hlon,hlatm}};
S35:根据步骤S34,得到用户轨迹与最近的室分站点的距离集合{d1,d2,……dn},然后计算用户与室分站点的平均距离avgdist=(d1+d2+……dn)/n;
S36:如果平均距离avgdist小于一门限A,且步骤S33的集合{Celli1,Celli2……CelliN}不为空集,则当前用户会话产生的MR位于室内,否则进入步骤S4进一步判断。
如图3所示,所述的步骤S4中的用户移动性分离计算包括如下子步骤:
S41:将采集到的晚上凌晨MR数据按N*N米划分成栅格,按经纬度投放到不同的栅格中;
S42:遍历步骤S41中的每个栅格中各个用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}},得到每个用户的速率集合{vk1,vk2……vkn}及方差,以此作为每个栅格晚上移动性特征,作为分类器;
S43:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S44:根据S43得到单用户的经纬度轨迹{{lon1,la1},{lon2,la2}……{lonn,lan}},计算其速率{v1,v2……vk}及方差;
S45:把S44中的速率均值以及方差输入S42中的分类器中,输出每个用户的室内外分离置信度b;
S46:若室内外分离置信度b大于一门限thre1,则判断白天当前用户会话产生的MR为室内,若室内外分离置信度b小于一门限thre2,则判断用户会话产生的MR为室外,否则进行步骤S5的判断。
如图4所示,所述的步骤S5中的室外测试特征分离计算包括如下子步骤:
S51:将室外测试的DT/CQT数据按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成M个栅格,每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}
S52:选取BP人工神经网络算法建立分类模型,将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数,用1或0代表室内和室外作为输出层参数,每个DT/CQT栅格训练成一个分类器,共有M个分类器;
S53:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S54:将每个用户的每次会话的MR按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成K个栅格,每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak};
S55:根据最近距离找出步骤S54中每个MR栅格对应的神经网络分类器;
S56:遍历每一个S54中的MR栅格,提取MR栅格中的每条MR,得到前六强RSCP和EC/NO作为分类器的12个输入参数;
S57:将12个参数输入到当前MR栅格对应的神经网络分类器中,运算后得到每条MR室内室外属性。
地球是一个近乎标准的椭球体,它的赤道半径为6378.140千米,极半径为6356.755千米,平均半径6371.004千米。如果以0度经线为基准,那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离(这里忽略地球表面地形对计算带来的误差,仅仅是理论上的估算值)。所述的步骤S35中用户与室分站点的平均距离的计算方法包括:设目标小区A的经纬度为(LonA,LatA),目标小区B的经纬度为(LonB,LatB),按照0度经线的基准,东经取经度的正值,西经取经度负值,北纬取90纬度值,南纬取90+纬度值,则经过上述处理过后的两点被计为(MLonA,MLatA)和(MLonB,MLatB);根据三角推导,可以得到计算两点距离的如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
Dist=R*Arccos(C)*Pi/180
Dist即为目标小区与邻接小区的距离;
计算用户轨迹与任一室分站点平均距离的方法:
Ci=sin(lati)*sin(hlatk)*cos(loni hlonk)+cos(lati)*cos(hlatk)(1<=i<=n)
上式中k值代表第k个室分,Ci代表用户轨迹中第i个采样点与室分k的距离,avgdist表示整个用户轨迹与第k个室分站点的平均距离;
根据用户轨迹与任一室分的距离,于是可得到最近距离为:
min avgdist=min(avgidst1,avgdist2.…..avgdistk)。
所述的步骤S51中DT/CQT测试采样点栅格投放包括如下子步骤:
S511:经纬度统一处理,保留5位小数,若采集到的经纬度小数点后位数超过5位,则省略掉第5位后的位数,若不足5位,则在后面补0;
S512:确定每条DT/CQT数据的栅格标识,以50米*50米栅格为例,截取经纬度小数点后第4位假设为a,a的取值范围为0≤a≤9,若a≤5则a统一取值为0;若a>5,则a取值为5;将经度的前7位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识,例如:(106.34562,29.38127)的50米*50米的栅格标识为(106.3455,29.3810)。
S513:确定每个DT/CQT采样点的栅格标识,然后再确定每个采样点与哪个栅格相对应,即完成DT/CQT测试采样点的栅格投放。
所述的步骤S52中BP人工神经网络算法建立分类模型的方法包括如下子步骤:
S521:数据归一化处理,归一化算法为:
y=(x-min)/(max-min)(0<=y<=1)
上式中的x为具体MR采样点第N导频的RSCP或Ec/No值,min为RSCP或Ec/No的最小取值,分别为-112和-24;max为RSCP或Ec/No的最大取值,分别为-40和-1,y为归一化后的值,被映射为0至1的取值范围;
S522:初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2],初始值利用随机函数生成;
S523:到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值,如下式:
yi=f(neti)
上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值,θ表示一个阈值默认取0,xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值,yi为神经元i的输出值;f(x)为转移函数;通过上述三式即可得到每一条MR的室内外属性输出;
S524:根据理论输出校正步骤S423中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2],不断的迭代学习。
本发明通过基于室分信号源分离法、基于室外测试特征分离法、基于用户移动性分离法,形成多维度室内外MR分离方法用以区分室内外MR数据,进而形成室内外MR栅格,用以评估居民楼、写字楼、酒店等室内场景以及各种室外道路场景的无线网络质量。
Claims (6)
1.多维度测量报告室内外分离方法,其特征在于:它包括如下子步骤:
S1:数据采集,从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数据;
S2:将MR数据进行清洗,去除非法数据及噪声;
S3:将MR数据进行室分数据分离计算,计算待检测MR数据的室分置信度a,判断室分置信度a与室分门限值A的关系,若室分置信度a小于室分门限值A,则分离结束,跳转步骤S6,若否则跳转步骤S4;
S4:将MR数据进行用户移动性分离计算,计算待检测MR数据的移动性置信度b,判断室内外分离置信度b与门限值thre的关系,若室内外分离置信度b高于门限值thre1,且小于门限值thre2,则分离结束,跳转步骤S6,否则跳转步骤S5;
S5:将MR数据进行室外测试特征分离计算,计算待检测MR数据的测试特征置信度,将测试特征置信度c输入神经网络分类器进行判断,则分离结束,跳转步骤S6,若不能进行分离,将不能区分的MR数据抛弃掉;
S6:输出当前MR分离结果,即输出MR属于室内或室外的结果;
所述的门限值A取值为432,所述的门限值thre1的取值为1.2,所述的门限值thre2的取值为0.8;
所述的步骤S3中的室分数据分离计算包括如下子步骤:
S31:将采集到的MR数据按IMSI的会话进行分段;
S32:根据当前MR数据得到主服务小区Cell1以及检测到的各个邻区{Cell2,Cell3……CellN};
S33:将集合{Cell1,Cell2……CellN}与室分数据库相匹配,若CellN为室分站点,则放入集合{Celli1,Celli2……CelliN};
S34:根据步骤S31得到单用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}};获取室分数据库每个室分站点的经纬度{{hlon1,hlat1},{hlon2,hlat2}……{hlon,hlatm}};
S35:根据步骤S34,得到用户轨迹与最近的室分站点的距离集合{d1,d2,……dn},然后计算用户与室分站点的平均距离avgdist=(d1+d2+……dn}/n;
S36:如果平均距离avgdist小于一门限A,且步骤S33的集合{Celli1,Celli2……CelliN}不为空集,则当前用户会话产生的MR位于室内,否则进入步骤S4进一步判断。
2.根据权利要求1所述的多维度测量报告室内外分离方法,其特征在于:所述的步骤S4中的用户移动性分离计算包括如下子步骤:
S41:将采集到的晚上凌晨MR数据按N*N米划分成栅格,按经纬度投放到不同的栅格中;
S42:遍历步骤S41中的每个栅格中各个用户的经纬度轨迹{{lon1,lat1},{lon2,lat2}……{lonn,latn}},得到每个用户的速率集合{vk1,vk2……vkn}及方差,以此作为每个栅格晚上移动性特征,作为分类器;
S43:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S44:根据S43得到单用户的经纬度轨迹{{lon1,la1},{lon2,la2}……{lonn,lan}},计算其速率{v1,v2……vk}及方差;
S45:把S44中的速率均值以及方差输入S42中的分类器中,输出每个用户的室内外分离置信度b;
S46:若室内外分离置信度b大于一门限thre1,则判断白天当前用户会话产生的MR为室内,若室内外分离置信度b小于一门限thre2,则判断用户会话产生的MR为室外,否则进行步骤S5的判断。
3.根据权利要求1所述的多维度测量报告室内外分离方法,其特征在于:所述的步骤S5中的室外测试特征分离计算包括如下子步骤:
S51:将室外测试的DT/CQT数据按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成M个栅格,每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}
S52:选取BP人工神经网络算法建立分类模型,将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数,用1或0代表室内和室外作为输出层参数,每个DT/CQT栅格训练成一个分类器,共有M个分类器;
S53:将采集到的白天MR数据按IMSI以及用户会话分段,作为检测对象;
S54:将每个用户的每次会话的MR按N*N米划分成栅格,按经纬度投放到不同的栅格中,共形成K个栅格,每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak};
S55:根据最近距离找出步骤S54中每个MR栅格对应的神经网络分类器;
S56:遍历每一个S54中的MR栅格,提取MR栅格中的每条MR,得到前六强RSCP和EC/NO作为分类器的12个输入参数;
S57:将12个参数输入到当前MR栅格对应的神经网络分类器中,运算后得到每条MR室内室外属性。
4.根据权利要求1所述的多维度测量报告室内外分离方法,其特征在于:所述的步骤S35中用户与室分站点的平均距离的计算方法包括:设目标小区A的经纬度为(LonA,LatA),目标小区B的经纬度为(LonB,LatB),按照0度经线的基准,东经取经度的正值,西经取经度负值,北纬取90-纬度值,南纬取90+纬度值,则经过上述处理过后的两点被计为(MLonA,MLatA)和(MLonB,MLatB);根据三角推导,可以得到计算两点距离的如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+coS(MLatA)*cos(MLatB)
Dist=R*Arccos(C)*Pi/180
Dist即为目标小区与邻接小区的距离;
计算用户轨迹与任一室分站点平均距离的方法:
Ci=sin(lati)*sin(hlatk)*cos(loni-hlonk)+cos(lati)*cos(hlatk)(1<=i<=n)
上式中k值代表第k个室分,Ci代表用户轨迹中第i个采样点与室分k的距离,avgdist表示整个用户轨迹与第k个室分站点的平均距离;
根据用户轨迹与任一室分的距离,于是可得到最近距离为:
minavgdist=min(avgidst1,avgdist2......avgdistk)。
5.根据权利要求3所述的多维度测量报告室内外分离方法,其特征在于:所述的步骤S51中DT/CQT测试采样点栅格投放包括如下子步骤:
S511:经纬度统一处理,保留5位小数,若采集到的经纬度小数点后位数超过5位,则省略掉第5位后的位数,若不足5位,则在后面补0;
S512:确定每条DT/CQT数据的栅格标识,以50米*50米栅格为例,截取经纬度小数点后第4位假设为a,a的取值范围为0≤a≤9,若a≤5则a统一取值为0;若a>5,则a取值为5;将经度的前7位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识;
S513:确定每个DT/CQT采样点的栅格标识,然后再确定每个采样点与哪个栅格相对应,即完成DT/CQT测试采样点的栅格投放。
6.根据权利要求3所述的多维度测量报告室内外分离方法,其特征在于:所述的步骤S52中BP人工神经网络算法建立分类模型的方法包括如下子步骤:
S521:数据归一化处理,归一化算法为:
y=(x-min)/(max-min) (0<=y<=1)
上式中的x为具体MR采样点第N导频的RSCP或Ec/No值,min为RSCP或Ec/No的最小取值,分别为-112和-24;max为RSCP或Ec/No的最大取值,分别为-40和-1,y为归一化后的值,被映射为0至1的取值范围;
S522:初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2],初始值利用随机函数生成;
S523:得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值,如下式:
yi=f(neti) (2)
上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值,θ表示一个阈值默认取0,xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值,yi为神经元i的输出值;f(x)为转移函数;通过上述(1)、(2)和(3)式即可得到每一条MR的室内外属性输出;
S524:根据步骤S523中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2],不断的迭代学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610127602.2A CN105744561B (zh) | 2016-03-07 | 2016-03-07 | 多维度测量报告室内外分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610127602.2A CN105744561B (zh) | 2016-03-07 | 2016-03-07 | 多维度测量报告室内外分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105744561A CN105744561A (zh) | 2016-07-06 |
CN105744561B true CN105744561B (zh) | 2019-05-10 |
Family
ID=56249215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610127602.2A Active CN105744561B (zh) | 2016-03-07 | 2016-03-07 | 多维度测量报告室内外分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105744561B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682136A (zh) * | 2016-03-07 | 2016-06-15 | 四川亨通网智科技有限公司 | 基于室外测试特征的室内外分离法 |
CN106211194B (zh) * | 2016-07-28 | 2019-10-11 | 武汉虹信技术服务有限责任公司 | 一种基于统计模型的mr数据室内外分离方法 |
CN107786985A (zh) * | 2016-08-29 | 2018-03-09 | ***通信集团广东有限公司 | 测量报告数据分类方法和装置 |
CN108616900B (zh) * | 2016-12-12 | 2021-06-11 | ***通信有限公司研究院 | 一种室内外测量报告的区分方法及网络设备 |
CN109151845B (zh) * | 2017-06-16 | 2021-11-09 | ***通信集团云南有限公司 | 识别室分高层小区的方法、装置、电子设备和存储介质 |
CN109429242B (zh) * | 2017-08-21 | 2021-11-23 | ***通信集团广西有限公司 | 一种mr数据室内外分离方法及设备 |
CN108133001B (zh) * | 2017-12-21 | 2020-03-27 | 重庆玖舆博泓科技有限公司 | Mr室内外分离方法、装置及介质 |
CN109996276B (zh) * | 2017-12-29 | 2022-06-10 | ***通信集团四川有限公司 | 网络话务定位评估方法、装置、设备及介质 |
CN109769201B (zh) * | 2018-12-28 | 2021-01-26 | 科大国创软件股份有限公司 | 一种实现用户精准定位的智慧城市管理平台 |
CN109714712B (zh) * | 2018-12-28 | 2021-02-05 | 科大国创软件股份有限公司 | 一种基于属性匹配的数据落点到栅格的方法及装置 |
CN109769216B (zh) * | 2018-12-28 | 2021-06-11 | 科大国创软件股份有限公司 | 一种基于手机信号在复杂环境中将用户分群的方法及装置 |
CN114363925B (zh) * | 2021-12-16 | 2023-10-24 | 北京红山信息科技研究院有限公司 | 一种网络质差自动识别方法 |
CN117641242A (zh) * | 2022-08-12 | 2024-03-01 | 中国电信股份有限公司 | 室内外分离方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769866A (zh) * | 2012-06-18 | 2012-11-07 | 华为技术有限公司 | 一种室内外业务数据的区分方法及设备 |
CN103052104A (zh) * | 2011-10-11 | 2013-04-17 | 华为技术有限公司 | 一种室分信号泄露检查方法及装置 |
CN104244317A (zh) * | 2013-06-08 | 2014-12-24 | 华为技术有限公司 | 确定室内话务状态、室内话务量的方法和设备 |
CN104427513A (zh) * | 2013-08-30 | 2015-03-18 | 华为技术有限公司 | 一种识别方法、装置、网络设备及网络*** |
-
2016
- 2016-03-07 CN CN201610127602.2A patent/CN105744561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103052104A (zh) * | 2011-10-11 | 2013-04-17 | 华为技术有限公司 | 一种室分信号泄露检查方法及装置 |
EP2747473A1 (en) * | 2011-10-11 | 2014-06-25 | Huawei Technologies Co., Ltd. | Method and device for detecting indoor distribution signal leakage |
CN102769866A (zh) * | 2012-06-18 | 2012-11-07 | 华为技术有限公司 | 一种室内外业务数据的区分方法及设备 |
CN104244317A (zh) * | 2013-06-08 | 2014-12-24 | 华为技术有限公司 | 确定室内话务状态、室内话务量的方法和设备 |
CN104427513A (zh) * | 2013-08-30 | 2015-03-18 | 华为技术有限公司 | 一种识别方法、装置、网络设备及网络*** |
Non-Patent Citations (1)
Title |
---|
基于MR特征分离技术的室分监控研究;郭景赞等;《邮电设计技术》;20120620;第3栏第7-8行,以及第2部分 |
Also Published As
Publication number | Publication date |
---|---|
CN105744561A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105744561B (zh) | 多维度测量报告室内外分离方法 | |
CN104656163B (zh) | 一种基于大数据的移动通信网降水分布及动态测量方法 | |
Gogolak et al. | Indoor fingerprint localization in WSN environment based on neural network | |
CN105142216B (zh) | 基于特征信号指纹库的室内外定位切换方法 | |
Liu et al. | Deeplora: Learning accurate path loss model for long distance links in lpwan | |
CN110650436B (zh) | 基于WiFi数据的位置指纹库建立与拟合方法 | |
CN104244307B (zh) | 异常事件上报、处理方法、装置、基站及管理服务器 | |
US20180122128A1 (en) | Iterative ray-tracing for autoscaling of oblique ionograms | |
CN103561463A (zh) | 一种基于样本聚类的rbf神经网络室内定位方法 | |
CN108174343A (zh) | 一种面向电力室内通信运维场景的无线定位方法及*** | |
CN104093205A (zh) | 基于接收信号强度指示的无线定位***锚节点部署方法 | |
CN103338509A (zh) | 一种基于隐含马尔可夫模型的wsn室内定位方法 | |
CN114936957A (zh) | 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型 | |
CN102685677A (zh) | 一种室内定位方法及装置 | |
CN110430578A (zh) | 基于移动终端数据实现小区方位角预测的方法 | |
De Coensel et al. | Dynamic noise mapping based on fixed and mobile sound measurements | |
CN105657726A (zh) | 一种pci规划基站选址方法 | |
WO2021076084A1 (en) | A system providing prediction of communication channel parameters | |
CN113873532B (zh) | 一种智慧园区5g网络规划方法 | |
CN104635202A (zh) | 一种无线多媒体传感网定位测试***及方法 | |
CN114363808A (zh) | 一种基于rssi测距的室内定位方法 | |
CN114727384A (zh) | 一种基于加权min-max的蓝牙RSSI定位方法 | |
CN107682864B (zh) | 一种基于覆盖率评估的基站建设方法 | |
Ding et al. | Regional propagation model based fingerprinting localization in indoor environments | |
Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |