CN106912103A - 一种终端定位方法及装置 - Google Patents
一种终端定位方法及装置 Download PDFInfo
- Publication number
- CN106912103A CN106912103A CN201510979878.9A CN201510979878A CN106912103A CN 106912103 A CN106912103 A CN 106912103A CN 201510979878 A CN201510979878 A CN 201510979878A CN 106912103 A CN106912103 A CN 106912103A
- Authority
- CN
- China
- Prior art keywords
- training
- cell
- sample
- measurement report
- vector
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种终端定位方法及装置,该方法包括获取终端上报的测量报告,将各测量小区的小区标识组成小区向量,将各测量小区的覆盖电平值组成电平向量,从测量报告中获取服务小区的小区标识,从测量报告样本库中查找服务小区的小区标识所属基站下的多个训练样本,从多个训练样本中,将与小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本,通过神经网络模型,确定电平向量与各待比较的训练样本的训练电平向量的概率值,将概率值大于概率阈值的待比较的训练样本对应的训练位置信息,确定为终端的位置。根据服务小区的小区标识,查找出该服务小区所属的基站的训练样本,提高了终端定位的速度和效率。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种终端定位方法及装置。
背景技术
随着TD-LTE网络的大规模建设,用户的吞吐量和使用感受都有了大幅度的提高。同时,由于网络结构日趋复杂,终端功能越来越多,这为运维优化带来了新的挑战。为了把网络分析更深入、更贴合用户实际行为,需要精确识别用户所处网络无线环境,因此,用户的定位技术就成为LTE网络运营维护和优化过程中的一个关键技术。
目前,终端定位的方法是通过终端上报的测量报告与测量报告库中的存储的测量报告进行匹配。由于移动网络数据量非常庞大,在进行测量报告匹配时,需要将待定位的终端的测量报告与测量报告库中所有的测量报告进行匹配,运算量大,耗费时间长,无法进行快速定位。
发明内容
本发明实施例提供一种终端定位方法及装置,用以解决的现有技术中存在的终端定位耗费时间长,效率低下的问题。
本发明实施例提供的一种终端定位方法,包括:
获取终端上报的测量报告,所述测量报告中包括各测量小区的小区标识及各测量小区的覆盖电平值;
将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量;其中,所述电平向量中的第P位对应的小区标识为所述小区向量中的第P位,P为正整数;
从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息;
从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本;
通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值;其中,所述待比较的训练样本的训练电平向量与所述电平向量对应的小区标识一致;
将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
较佳地,根据下述步骤确定所述训练样本,包括:
获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本;
针对所述N个基站中的每个基站,从所述基站的多个测量报告测试样本内获取各小区标识,将所述各小区标识构成的集合作为所述基站的小区集合;
获取在所述设定地理范围内路测得到的多个训练测量报告;
针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本;将所述训练测量报告样本中的小区标识组成所述训练测量报告样本对应的训练样本的训练小区向量,所述训练测量报告样本中的覆盖电平值组成所述训练测量报告样本对应的训练样本的训练电平向量;其中,所述训练电平向量中的第Q位对应的小区标识为所述训练小区向量中的第Q位,Q为正整数;M为正整数,M小于等于N。
较佳地,在所述将所述各小区标识构成的集合作为所述基站的小区集合之前,还包括:
将所述各小区标识进行去重。
较佳地,所述针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本,包括:
针对每个训练测量报告,获取所述训练测量报告中覆盖电平值大于第一阈值的多个小区标识;
若所述覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于所述基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本。
较佳地,所述将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置,包括:
若所述概率值大于概率阈值的所述待比较的训练样本为多个,则将所述多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为所述终端的位置。
相应地,本发明实施例提供了一种终端定位装置,包括:
获取单元,用于获取终端上报的测量报告,所述测量报告中包括各测量小区的小区标识及各测量小区的覆盖电平值;
处理单元,用于将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量;其中,所述电平向量中的第P位对应的小区标识为所述小区向量中的第P位,P为正整数;
查找单元,用于从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息;
第一确定单元,用于从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本;
第二确定单元,用于通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值;其中,所述待比较的训练样本的训练电平向量与所述电平向量对应的小区标识一致;
定位单元,用于将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
较佳地,所述查找单元具体用于:
根据下述步骤确定所述训练样本,包括:
获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本;
针对所述N个基站中的每个基站,从所述基站的多个测量报告测试样本内获取各小区标识,将所述各小区标识构成的集合作为所述基站的小区集合;
获取在所述设定地理范围内路测得到的多个训练测量报告;
针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本;将所述训练测量报告样本中的小区标识组成所述训练测量报告样本对应的训练样本的训练小区向量,所述训练测量报告样本中的覆盖电平值组成所述训练测量报告样本对应的训练样本的训练电平向量;其中,所述训练电平向量中的第Q位对应的小区标识为所述训练小区向量中的第Q位,Q为正整数;M为正整数,M小于等于N。
较佳地,所述查找单元还用于:
在所述将所述各小区标识构成的集合作为所述基站的小区集合之前,将所述各小区标识进行去重。
较佳地,所述查找单元具体用于:
针对每个训练测量报告,获取所述训练测量报告中覆盖电平值大于第一阈值的多个小区标识;
若所述覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于所述基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本。
较佳地,所述定位单元具体用于:
若所述概率值大于概率阈值的所述待比较的训练样本为多个,则将所述多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为所述终端的位置。
本发明实施例表明,通过获取终端上报的测量报告,将各测量小区的小区标识组成小区向量,将各测量小区的覆盖电平值组成电平向量,从测量报告中获取服务小区的小区标识,从测量报告样本库中查找服务小区的小区标识所属基站下的多个训练样本,从多个训练样本中,将与小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本,通过神经网络模型,确定电平向量与各待比较的训练样本的训练电平向量的概率值,将概率值大于概率阈值的待比较的训练样本对应的训练位置信息,确定为终端的位置。根据服务小区的小区标识,查找出该服务小区所属的基站的训练样本,减小了神经网络模型的计算量,降低了终端定位耗费时间,提高了终端定位的速度和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种终端定位方法的流程示意图;
图2为本发明实施例提供的一种终端定位装置的结构示意图;
图3为本发明实施例提供的一种神经网络模块架构图;
图4为本发明实施例提供的一种定位统计示意图;
图5本发明实施例提供的一种终端定位装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部份实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
在本发明实施例中,终端可以是手机、平板电脑、掌上电脑等具有无线通信功能的电子设备。终端可以与基站进行无线连接,进行信息交互,终端可以向基站上报测量报告(Measurement Report,MR),测量报告中可以包括服务小区以及该服务小区的邻区的小区标识,即小区ID(Identity,身份标识号),以及这些小区的覆盖电平值,如可以是RSRP(Reference Signal Received Power,参考信号接收功率)等。
基于上述描述,图1示出了本发明实施例提供的一种终端定位方法的流程,该流程可以由终端定位装置执行。
如图1所示,该流程的具体步骤包括:
步骤101,获取终端上报的测量报告。
步骤102,将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量。
步骤103,从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本。
步骤104,从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本。
步骤105,通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值。
步骤106,将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
在步骤101中,基站向终端发送测量指示之后,终端在进行测量后,会向基站上报测量报告,该测量报告中可以包括各测量小区的小区标识,以及各测量小区对应的覆盖电平值。各测量小区主要为终端驻留的服务小区以及该服务小区的邻区。
在步骤102中,将各测量小区的小区标识组成小区向量,如小区向量W_cell(Scell,Ncell1,Ncell2,Ncell3,Ncell4,Ncell5),其中,Scell表示服务小区的小区标识,Ncell1,Ncell2,Ncell3,Ncell4,Ncell5分别表示了邻区1、邻区2、邻区3、邻区4和邻区5的小区标识。将各测量小区的覆盖电平值组成电平向量,如电平向量W_value(Srsrp,N1rsrp,N2rsrp,N3rsrp,N4rsrp,N5rsrp),其中,Srsrp表示了服务小区的覆盖电平值,N1rsrp,N2rsrp,N3rsrp,N4rsrp,N5rsrp分别表示了邻区1、邻区2、邻区3、邻区4和邻区5的覆盖电平值。电平向量中的第P位覆盖电平值对应的小区标识为小区向量中的第P位小区标识。如上述小区向量W_cell中的第1位为服务小区的小区标识,其对应的电平向量W_value中的第1位为服务小区的覆盖电平值。
在步骤103中,从终端上报的测量报告中获取服务小区的小区标识,即上述小区向量中的Scell,根据该服务小区的小区标识,从测量报告样本库中查找该服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息。其中该测量报告样本库中存储了所有基站下的训练样本,按照基站进行分类,可以减少测量报告匹配的数量级。
上述训练样本可以根据下述步骤进行确定:
如图2所示,该步骤具体如下:
步骤201,获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本。
该设定地理范围可以是K×K米栅格的区域,获取该K×K米栅格下N个基站以及每个基站的多个测量报告测试样本,该测量报告测试样本中包括多个小区的小区标识,以及每个基站下测量报告测试样本的总数。
步骤202,针对N个基站中的每个基站,从基站的多个测量报告测试样本内获取各小区标识,将各小区标识构成的集合作为基站的小区集合。
举例来说,对于测量报告测试样本sample_i,取出该测量报告测试样本sample_i中记录的小区标识,合并为一个集合,对该集合中各小区标识进行去重,去除该集合中重复的小区标识,然后得到tot_k个小区,分别记为c_1,c_2,…,c_(tot_k)。然后将去重后的集合作为基站M的小区集合,M为正整数,M小于等于N。
遍历上述每个基站,可以确定每个基站的小区集合。
步骤203,获取在设定地理范围内路测得到的多个训练测量报告。
在上述设定地理范围内进行路测,即在上述K×K米栅格的区域内进行路测,获取在该K×K米栅格的区域内路测得到的多个训练测量报告,该训练测量报告中包括各小区的小区标识,各小区对应的覆盖电平值,以及该小区对应的经纬度信息。
步骤204,针对每个训练测量报告,若训练测量报告中包含小区标识属于基站M的小区集合,则训练测量报告确定为基站M的训练测量报告样本;将训练测量报告样本中的小区标识组成训练测量报告样本对应的训练样本的训练小区向量,训练测量报告样本中的覆盖电平值组成训练测量报告样本对应的训练样本的训练电平向量。
举例来说,针对训练测量报告sample_x_j,获取该训练测量报告sample_x_j中覆盖电平值大于第一阈值的多个小区标识,该第一阈值可以依据经验设定。如可以获取覆盖电平值大于第一阈值的小区有6个,即训练测量报告sample_x_j中6个覆盖电平值最强的小区,记为m_(j,1),m_(j,2),…,m_(j,6),若覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于上述基站M的小区集合,则可以将该训练测量报告sample_x_j确定为基站M的训练测量报告样本。即任意的m_(j,l)(l=1,2,3,4,5,6)属于基站M的小区集合,则可以将该训练测量报告sample_x_j确定为基站M的训练测量报告样本。
然后将训练测量报告样本中的小区标识组成该训练测量报告样本对应的训练样本的训练小区向量,将该训练测量报告样本中的覆盖电平值组成训练测量报告样本对应的训练样本的训练电平向量。如,训练样本的训练小区向量X_i_cell和训练电平向量X_i_value。其中,训练电平向量中的第Q位覆盖电平值对应的小区标识为训练小区向量中的第Q位小区标识,Q为正整数;M为正整数,M小于等于N。
遍历每个训练测量报告,确定出每个基站的训练样本的训练小区向量和训练电平向量。
上述每个基站的小区集合和训练样本可以存储测量报告样本库中,在使用的时候,将根据终端驻留的服务小区的小区标识,找到该服务小区的小区标识对应的小区集合,从而找到该服务小区的小区标识对应的基站M,获取该基站M的训练样本。
在步骤104中,从上述步骤103中查找出的多个训练样本中,将与小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本,可以保证通过神经网络模型进行概率值计算时的两个向量计算的位数相同。
在步骤105中,神经网络模块包括输入层,样本层,累加层和输出层,具体如图3所示。样本层神经元个数与输入样本向量的个数相同;输入层神经元个数与样本数据的种类数相同。输入层节点数是样本向量的维数,将所有样本不变的传给样本层后,样本层将输入向量的各个分向量进行加权求和,然后在用于一个非线性算子进行运算,再将计算结果传递到累加层。该非线性算子为公式(1)。
累加层各个节点只与相应类别的样本节点相连,只计算同类样本输出值的和,其权值都为1。神经网络模型的输出层也成为竞争层,采用胜者为王的学习规则,再根据公式(2)估计累加层输入的向量的概率,并使具有最大概率的向量输出为1,其他类别的向量输出为0。这样神经网络模型就可以按照贝叶斯分类规则加工输入的向量分配到具有最大后验概率类别中去。
上述公式(1)为:
其中,X是待比较的训练样本的训练电平向量,W为电平向量,σ为平滑因子。
上述公式(2)为:
其中,X为待比较的训练样本的训练电平向量,W为电平向量,m为向量维数,XT为向量的转置,K为分类模式,σ为平滑因子。
将上述步骤102中确定的电平向量和上述步骤104中确定出的各待比较的训练样本的训练电平向量的概率值输入至神经网络模型的输入层。如待比较的训练样本的训练电平向量为X_j_value(-84,-92),电平向量为W_value(-90,-80),其中,在进行计算时,相同小区标识的两个覆盖电平值可以一起计算,如训练小区向量为X_j_cell(B,A),小区向量为W_cell(A,B),训练样本中的小区A的覆盖电平值为-92,终端上报的测量报告中的小区A的覆盖电平值为-90,在代入公式(1)进行计算时,是向量(-90,-80)与向量(-92,-84)相减。
经过公式(1)的计算后,将进入到输出层,计算个待比较的训练样本的概率值。
在步骤106中,在上述步骤105中确定出电平向量与各待比较的训练样本的训练电平向量的概率值之后,将概率值大于概率阈值的待比较的训练样本对应的训练位置信息,即经纬度信息,确定为该终端的位置。其中,概率阈值可以依据经验进行设置。
若上述概率值大于概率阈值的待比较的训练样本为多个时,将多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为该终端的位置。
在本发明实施例中,对终端进行定位,在一个约100万平方公里的区域中,大约有800个基站,训练样本数1亿条,一个小时产生的测量报告数据条数在5000万条左右,采用本发明实施例提供的定位方法,对5000万条测量报告进行定位,用时可以从原先的24小时,下降到1个小时,效率提升了数倍。
本发明实施例中提供的定位方法的定位精度高,如图4所示的DT_MR定位统计,定位精度在200米以内的有92.71%。传统的三角定位方法的定位精度较差,在200米以上。
上述实施例表明,通过获取终端上报的测量报告,将各测量小区的小区标识组成小区向量,将各测量小区的覆盖电平值组成电平向量,从测量报告中获取服务小区的小区标识,从测量报告样本库中查找服务小区的小区标识所属基站下的多个训练样本,从多个训练样本中,将与小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本,通过神经网络模型,确定电平向量与各待比较的训练样本的训练电平向量的概率值,将概率值大于概率阈值的待比较的训练样本对应的训练位置信息,确定为终端的位置。根据服务小区的小区标识,查找出该服务小区所属的基站的训练样本,减小了神经网络模型的计算量,降低了终端定位耗费时间,提高了终端定位的速度和效率。
基于相同的技术构思,图5示出了本发明实施例提供的一种终端定位装置,该装置可以执行终端定位的流程。
如图5所示,该装置具体包括:
获取单元501,用于获取终端上报的测量报告,所述测量报告中包括各测量小区的小区标识及各测量小区的覆盖电平值;
处理单元502,用于将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量;其中,所述电平向量中的第P位对应的小区标识为所述小区向量中的第P位,P为正整数;
查找单元503,用于从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息;
第一确定单元504,用于从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本;
第二确定单元505,用于通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值;其中,所述待比较的训练样本的训练电平向量与所述电平向量对应的小区标识一致;
定位单元506,用于将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
优选地,所述查找单元503具体用于:
根据下述步骤确定所述训练样本,包括:
获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本;
针对所述N个基站中的每个基站,从所述基站的多个测量报告测试样本内获取各小区标识,将所述各小区标识构成的集合作为所述基站的小区集合;
获取在所述设定地理范围内路测得到的多个训练测量报告;
针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本;将所述训练测量报告样本中的小区标识组成所述训练测量报告样本对应的训练样本的训练小区向量,所述训练测量报告样本中的覆盖电平值组成所述训练测量报告样本对应的训练样本的训练电平向量;其中,所述训练电平向量中的第Q位对应的小区标识为所述训练小区向量中的第Q位,Q为正整数;M为正整数,M小于等于N。
优选地,所述查找单元503还用于:
在所述将所述各小区标识构成的集合作为所述基站的小区集合之前,将所述各小区标识进行去重。
优选地,所述查找单元503具体用于:
针对每个训练测量报告,获取所述训练测量报告中覆盖电平值大于第一阈值的多个小区标识;
若所述覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于所述基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本。
优选地,所述定位单元506具体用于:
若所述概率值大于概率阈值的所述待比较的训练样本为多个,则将所述多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为所述终端的位置。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种终端定位方法,其特征在于,包括:
获取终端上报的测量报告,所述测量报告中包括各测量小区的小区标识及各测量小区的覆盖电平值;
将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量;其中,所述电平向量中的第P位对应的小区标识为所述小区向量中的第P位,P为正整数;
从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息;
从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本;
通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值;其中,所述待比较的训练样本的训练电平向量与所述电平向量对应的小区标识一致;
将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
2.如权利要求1所述的方法,其特征在于,根据下述步骤确定所述训练样本,包括:
获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本;
针对所述N个基站中的每个基站,从所述基站的多个测量报告测试样本内获取各小区标识,将所述各小区标识构成的集合作为所述基站的小区集合;
获取在所述设定地理范围内路测得到的多个训练测量报告;
针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本;将所述训练测量报告样本中的小区标识组成所述训练测量报告样本对应的训练样本的训练小区向量,所述训练测量报告样本中的覆盖电平值组成所述训练测量报告样本对应的训练样本的训练电平向量;其中,所述训练电平向量中的第Q位对应的小区标识为所述训练小区向量中的第Q位,Q为正整数;M为正整数,M小于等于N。
3.如权利要求2所述的方法,其特征在于,在所述将所述各小区标识构成的集合作为所述基站的小区集合之前,还包括:
将所述各小区标识进行去重。
4.如权利要求2所述的方法,其特征在于,所述针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本,包括:
针对每个训练测量报告,获取所述训练测量报告中覆盖电平值大于第一阈值的多个小区标识;
若所述覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于所述基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本。
5.如权利要求1所述的方法,其特征在于,所述将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置,包括:
若所述概率值大于概率阈值的所述待比较的训练样本为多个,则将所述多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为所述终端的位置。
6.一种终端定位装置,其特征在于,包括:
获取单元,用于获取终端上报的测量报告,所述测量报告中包括各测量小区的小区标识及各测量小区的覆盖电平值;
处理单元,用于将所述各测量小区的小区标识组成小区向量,将所述各测量小区的覆盖电平值组成电平向量;其中,所述电平向量中的第P位对应的小区标识为所述小区向量中的第P位,P为正整数;
查找单元,用于从所述测量报告中获取服务小区的小区标识,从测量报告样本库中查找所述服务小区的小区标识所属基站下的多个训练样本,每个训练样本包括训练小区向量、训练电平向量和训练位置信息;
第一确定单元,用于从所述多个训练样本中,将与所述小区向量中小区标识相同的训练小区向量对应的训练样本确定为待比较的训练样本;
第二确定单元,用于通过神经网络模型,确定所述电平向量与各待比较的训练样本的训练电平向量的概率值;其中,所述待比较的训练样本的训练电平向量与所述电平向量对应的小区标识一致;
定位单元,用于将所述概率值大于概率阈值的所述待比较的训练样本对应的训练位置信息,确定为所述终端的位置。
7.如权利要求6所述的装置,其特征在于,所述查找单元具体用于:
根据下述步骤确定所述训练样本,包括:
获取设定地理范围内N个基站以及每个基站的多个测量报告测试样本;
针对所述N个基站中的每个基站,从所述基站的多个测量报告测试样本内获取各小区标识,将所述各小区标识构成的集合作为所述基站的小区集合;
获取在所述设定地理范围内路测得到的多个训练测量报告;
针对每个训练测量报告,若所述训练测量报告中包含小区标识属于基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本;将所述训练测量报告样本中的小区标识组成所述训练测量报告样本对应的训练样本的训练小区向量,所述训练测量报告样本中的覆盖电平值组成所述训练测量报告样本对应的训练样本的训练电平向量;其中,所述训练电平向量中的第Q位对应的小区标识为所述训练小区向量中的第Q位,Q为正整数;M为正整数,M小于等于N。
8.如权利要求7所述的装置,其特征在于,所述查找单元还用于:
在所述将所述各小区标识构成的集合作为所述基站的小区集合之前,将所述各小区标识进行去重。
9.如权利要求7所述的装置,其特征在于,所述查找单元具体用于:
针对每个训练测量报告,获取所述训练测量报告中覆盖电平值大于第一阈值的多个小区标识;
若所述覆盖电平值大于第一阈值的多个小区标识中任意一个小区标识属于所述基站M的小区集合,则所述训练测量报告确定为所述基站M的训练测量报告样本。
10.如权利要求6所述的装置,其特征在于,所述定位单元具体用于:
若所述概率值大于概率阈值的所述待比较的训练样本为多个,则将所述多个概率值大于概率阈值的待比较的训练样本对应的训练位置信息的中心位置,确定为所述终端的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979878.9A CN106912103B (zh) | 2015-12-23 | 2015-12-23 | 一种终端定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979878.9A CN106912103B (zh) | 2015-12-23 | 2015-12-23 | 一种终端定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106912103A true CN106912103A (zh) | 2017-06-30 |
CN106912103B CN106912103B (zh) | 2019-10-18 |
Family
ID=59200530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510979878.9A Active CN106912103B (zh) | 2015-12-23 | 2015-12-23 | 一种终端定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106912103B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396312A (zh) * | 2017-07-18 | 2017-11-24 | 浪潮天元通信信息***有限公司 | 基于神经网络的用户位置精准识别方法 |
CN108513251A (zh) * | 2018-02-13 | 2018-09-07 | 北京天元创新科技有限公司 | 一种基于mr数据的定位方法及*** |
CN109996168A (zh) * | 2017-12-28 | 2019-07-09 | ***通信集团吉林有限公司 | 一种获取终端位置的方法及装置 |
CN110493720A (zh) * | 2019-09-11 | 2019-11-22 | 深圳市名通科技股份有限公司 | 终端的定位方法、装置及存储介质 |
WO2020037658A1 (zh) * | 2018-08-24 | 2020-02-27 | 华为技术有限公司 | 建立定位模型的方法、无线定位方法和相关装置 |
CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | ***通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
CN111954154A (zh) * | 2020-08-19 | 2020-11-17 | 北京京东振世信息技术有限公司 | 定位方法及装置、计算机可读存储介质以及电子设备 |
CN112203324A (zh) * | 2019-07-08 | 2021-01-08 | ***通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
CN113115254A (zh) * | 2021-03-23 | 2021-07-13 | 中国联合网络通信集团有限公司 | 无人机定位方法及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986747A (zh) * | 2010-10-14 | 2011-03-16 | 北京拓明科技有限公司 | 移动终端定位方法 |
US20120108270A1 (en) * | 2009-06-24 | 2012-05-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods And Arrangements In A Telecommunication System |
CN103997783A (zh) * | 2014-05-14 | 2014-08-20 | 无锡北邮感知技术产业研究院有限公司 | 一种室外聚类匹配定位方法和装置 |
CN104469932A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种基于支持向量机的位置指纹定位方法 |
-
2015
- 2015-12-23 CN CN201510979878.9A patent/CN106912103B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120108270A1 (en) * | 2009-06-24 | 2012-05-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods And Arrangements In A Telecommunication System |
CN101986747A (zh) * | 2010-10-14 | 2011-03-16 | 北京拓明科技有限公司 | 移动终端定位方法 |
CN103997783A (zh) * | 2014-05-14 | 2014-08-20 | 无锡北邮感知技术产业研究院有限公司 | 一种室外聚类匹配定位方法和装置 |
CN104469932A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种基于支持向量机的位置指纹定位方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396312A (zh) * | 2017-07-18 | 2017-11-24 | 浪潮天元通信信息***有限公司 | 基于神经网络的用户位置精准识别方法 |
CN109996168B (zh) * | 2017-12-28 | 2020-11-20 | ***通信集团吉林有限公司 | 一种获取终端位置的方法及装置 |
CN109996168A (zh) * | 2017-12-28 | 2019-07-09 | ***通信集团吉林有限公司 | 一种获取终端位置的方法及装置 |
CN108513251A (zh) * | 2018-02-13 | 2018-09-07 | 北京天元创新科技有限公司 | 一种基于mr数据的定位方法及*** |
CN108513251B (zh) * | 2018-02-13 | 2020-08-04 | 北京天元创新科技有限公司 | 一种基于mr数据的定位方法及*** |
WO2020037658A1 (zh) * | 2018-08-24 | 2020-02-27 | 华为技术有限公司 | 建立定位模型的方法、无线定位方法和相关装置 |
CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | ***通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
CN112203324A (zh) * | 2019-07-08 | 2021-01-08 | ***通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
CN112203324B (zh) * | 2019-07-08 | 2022-08-05 | ***通信集团浙江有限公司 | 一种基于位置指纹库的mr定位方法及装置 |
CN110493720A (zh) * | 2019-09-11 | 2019-11-22 | 深圳市名通科技股份有限公司 | 终端的定位方法、装置及存储介质 |
CN111954154A (zh) * | 2020-08-19 | 2020-11-17 | 北京京东振世信息技术有限公司 | 定位方法及装置、计算机可读存储介质以及电子设备 |
CN113115254A (zh) * | 2021-03-23 | 2021-07-13 | 中国联合网络通信集团有限公司 | 无人机定位方法及服务器 |
CN113115254B (zh) * | 2021-03-23 | 2022-12-23 | 中国联合网络通信集团有限公司 | 无人机定位方法及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN106912103B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106912103A (zh) | 一种终端定位方法及装置 | |
CN105611568B (zh) | 一种基于mro测量报告对lte终端位置进行准确定位的方法 | |
CN110719605B (zh) | 一种基于5g技术的网速检测*** | |
Janssen et al. | Outdoor fingerprinting localization using sigfox | |
CN103116696B (zh) | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 | |
CN103517285B (zh) | 一种天线覆盖性能评估方法及*** | |
CN112218330B (zh) | 定位方法及通信装置 | |
CN107635239A (zh) | 无人机基站部署方法、装置、电子设备及可读存储介质 | |
US11218986B2 (en) | Positioning method and server, and terminal | |
CN103068035A (zh) | 一种无线网络定位方法、装置及*** | |
CN105652235B (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
CN109743743A (zh) | 网络性能的栅格化监测方法、电子设备、存储介质及*** | |
CN111294730B (zh) | 一种网络问题投诉信息处理的方法及装置 | |
CN106507476A (zh) | 一种WiFi定位方法及服务器及定位模型构建方法 | |
CN106899985A (zh) | 一种网络覆盖的评估方法及装置 | |
CN105519140A (zh) | 一种定位ap的方法和装置 | |
CN108243495A (zh) | 一种位置指纹数据库建立方法、装置和终端定位方法 | |
CN104684014B (zh) | 移动通信网络传输测试方法 | |
CN102685887A (zh) | 一种无线传感网络中节点定位的方法、装置及*** | |
CN107295530A (zh) | 一种基于半监督聚类的无线小区信息侦测方法 | |
CN107027148A (zh) | 一种基于UE速度的Radio Map分类定位方法 | |
CN108718254A (zh) | 地铁室内分布***故障定位方法及*** | |
CN104039008B (zh) | 一种混合定位方法 | |
CN106060841B (zh) | 一种基于非自主部署ap的室内定位方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |