CN107027148B - 一种基于UE速度的Radio Map分类定位方法 - Google Patents
一种基于UE速度的Radio Map分类定位方法 Download PDFInfo
- Publication number
- CN107027148B CN107027148B CN201710240569.9A CN201710240569A CN107027148B CN 107027148 B CN107027148 B CN 107027148B CN 201710240569 A CN201710240569 A CN 201710240569A CN 107027148 B CN107027148 B CN 107027148B
- Authority
- CN
- China
- Prior art keywords
- rsrp
- point
- cqt
- sampling
- sampling points
- 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.)
- Expired - Fee Related
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于UE速度的Radio Map分类定位方法,本发明涉及基于UE速度的Radio Map分类定位方法。本发明的目的是为了解决在海量用户LTE定位背景下,针对UE低速运动时信号指纹较短、UE高速运动时指纹失配现象严重,导致定位精度低的问题。具体过程为:一、获取DT/CQT/MDT采样点;二、对一获取的DT/CQT/MDT采样点提取RSRP共生向量;三、根据步骤二设计基于Adaboost分类算法的强分类函数;四:利用三中训练得到的强分类函数构建离线Radio Map;五、利用三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位。本发明用于定位领域。
Description
技术领域
本发明涉及基于UE速度的Radio Map分类定位方法。
背景技术
近年来,随着通信技术和信息技术的迅速发展和各种智能设备快速普及,基于位置的服务越来越受到广泛关注。日常生活中的80%的信息与位置有关,足以见得位置的重要性。另一方面,5G革命性的提出了“万物互联”的概念,对于物联网、车联网而言,物体的最基本特性“动”,而如何发现物体的运动、如何实时获知物体的位置显得尤为重要。因而,高精度的定位尤其是高精度的室外定位成为越来越多研究者关注的重点。GNSS(GlobalNavigation Satellite System)作为一种最广泛使用的室外定位技术,虽然能够达到很高的定位精度,但是其对障碍物遮挡、天气的变化等较敏感,另一方面,获取用户的GNSS的定位结果需要用户终端的许可,对于IT行业有终端软件产品的厂家而言是很容易获得的,而对于运营商等提供基础业务的厂家而言,获取这部分数据并非易事,因而需要研究一种无用户参与的移动终端定位方法代替GNSS。随着***移动通信技术的普及,城区及大部分乡村已经实现了LTE全覆盖,故基于LTE的定位***逐渐成为了室外定位的研究热点。
基于LTE的定位***使用的技术非常广泛,主要包括位置指纹方法、TOA(Time ofArrival)方法、AOA(Angle of Attack)方法、TDOA(Time Difference of Arrival)方法等。其中位置指纹方法作为一种有监督的定位方法,其位置指纹地图(Radio Map)是基于真实采集的数据建立的,完全保留了实际信号传播环境的特征,例如障碍物遮挡、非视距传播等,即基于位置指纹的定位方法更适用于室外复杂的环境,故本发明采用基于位置指纹的定位方法。传统的基于位置指纹的定位方法通过RSRP(Reference Signal ReceivingPower)特征与数据库进行匹配定位。基于位置指纹的定位包括以下两个阶段:建立RadioMap数据库的离线阶段,以及在线的指纹匹配与定位阶段。离线阶段建立一个包含参考点(RP,Reference Point)位置和RSRP指纹的位置指纹数据库(Radio Map);在线阶段,通常计算Radio Map中的参考点RSRP与在线RSRP之间的信号空间欧氏距离,采用NN(NearestNeighbor)或k-NN(k-Nearest Neighbor)算法得到定位结果。
LTE***海量用户的位置指纹定位不同于传统意义的位置指纹定位,具有定位面积大、定位用户多、定位场景广等特点。本发明针对LTE海量用户定位背景下特有终端运动速度影响定位精度的问题,对传统位置指纹定位算法进行改进。
UE在不同运动速度下上报的MDT报告中的信号指纹是有较大区别的。在基于位置指纹的LTE定位***中,利用MDT(Minimization Drive Test)测量报告建立Radio Map的过程中,假设测量报告中的信号指纹信息、位置信息和上报的时间信息是严格同步的。然而在实际应用中,这种假设是很难成立的,尤其是在UE高速移动的情况下。图1为周期性触发的MDT报告位置、指纹与时间错位的示意图。
图中三条坐标轴分别为位置信息更新时间、信号指纹信息更新时间和MDT测量报告上报时间。可以看出对于周期性触发的MDT而言,MDT测量报告的上报时间是严格等间隔的,而报告中的位置和信号指纹则并非MDT上报时刻测量的,而是最近一次测量的结果,这就导致了在MDT测量报告中不同类信息之间的时间错位。对于低速运动的UE,由于位置和信号指纹的变化速率都较小,这种错位现象对测量报告的影响不明显,而对于高速运动的UE,这种错位现象将严重影响Radio Map的准确性。
在3GPP TS 32.422中规定了对于E-UTRAN的MDT两种测量上报模式:logged MDT和Immediate MDT。对于Logged MDT,当UE处于Idle状态时,UE根据网络侧下发的MDT配置信息进行MDT测量、存储,并在此后进入连接状态且网络侧索要测量报告时再上报给网络。而Immediate MDT在UE连接状态下进行测量,并在测量完后立即将测量报告上报给网络。由于对于定位的实时性要求高,因而在基于位置指纹的LTE定位***中采用Immediate MDT模式。Immediate MDT模式有三种触发方式:周期性测量、A2事件触发和A2事件触发的周期性测量。A2事件是一种同频***事件,表示当服务质量差于阈值。当满足条件时UE触发A2事件,当满足条件时UE离开A2事件。
Ms+Hys<Thresh (1)
Ms-Hys>Thresh (2)
其中Ms是服务小区的测量结果,当Ms表示RSRP时单位为dBm,当表示RSRQ或RS-SINR时单位为dB;Hys是A2事件的滞后参数,单位为dB;Thresh是A2事件的阈值参数(在reportConfigEUTRA中进行配置),单位和测量结果Ms相同。当UE高速运动时,由于多普勒效应的影响,RSRQ和RS_SINR都会很差,因而会触发A2事件,从而开启更多的同频邻小区测量,得到的信号指纹长。而低速运动的情况下,通常不会触发A2事件,测量的邻区少,信号指纹长度短。
因此可以得出结论,对于高速运动的用户,报告中的时间、位置信息和信号指纹信息的指纹失配现象严重,但是信号指纹通常较长;低速运动的用户的指纹失配现象同样存在,但是对指纹的精度影响不大,且信号指纹通常较短。如果能将这两类指纹分开来定位,就能够发挥运动用户的指纹长度优势和低速运动用户的指纹精度优势,从而提高定位精度。目前仅人工高速DT(Drive Test)测试和低速CQT(Call Quality Test)测试能够确知采样点的大概运动情况,而普通用户上报的MDT测量报告中用户的速度信息是未知的。因而基于MDT测量报告中的信息将对用户速度进行划分,进而将这两类指纹分开建立Radio Map和定位是有必要的。
发明内容
本发明的目的是为了解决在海量用户LTE定位背景下,针对UE低速运动时信号指纹较短、UE高速运动时指纹失配现象严重,导致定位精度低的问题,而提出一种基于UE速度的Radio Map分类定位方法。
一种基于UE速度的Radio Map分类定位方法具体过程为:
步骤一、获取DT/CQT/MDT采样点;
所述DT为路测;CQT为呼叫质量测试,MDT为最小化路测;
步骤二、对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量;
所述RSRP为参考信号接收功率;
步骤三、根据步骤二设计基于Adaboost分类算法的强分类函数;
步骤四:利用步骤三中训练得到的强分类函数构建离线Radio Map;
所述Radio Map为位置指纹地图;
步骤五、利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位。
本发明的有益效果为:
本发明LTE指纹定位***中一种基于UE速度的Radio Map分类定位方法,在UE速度分类训练模块中,首先对连续的MDT加滑动时间窗,并对每一个时间窗中的RSRP值提取RSRP共生向量,训练以分类回归树(CART,Classification And Regression Tree)为弱分类器的Adaboost分类模型。在UE速度分类模块中,同样对连续MDT加同样长度的滑动时间窗,对一个时间窗中的RSRP值提取RSRP共生向量,基于离线建立的Adaboost模型得出当前时间窗对应的速度分类。离线阶段,基于分类结果建立DT和CQT两个Radio Map;在线阶段,基于分类结果匹配对应Radio Map采用KNN算法得出分类结果。解决了UE低速运动时信号指纹较短、UE高速运动时指纹失配现象严重,导致定位精度低的问题。
在海量用户LTE定位背景下,本发明提出的定位方法能够高精度的区分高速和低速的采样点,发挥各自指纹优势,并能够有效的提高定位精度。
结合表2得出采用本发明方法在UE速度分类中低速的检测概率为99.92%,高速的检测概率为93.59%;低速的虚警概率为0.47%,高速的虚警概率为1.17%;
结合图3得出在定位误差为10m时,本发明的累积概率分布为0.4,现有技术KNN算法的累积概率分布为0.38;定位误差为60m时,本发明的累积概率分布为0.87,现有技术KNN算法的累积概率分布为0.82;定位误差为100m时,本发明的累积概率分布为0.89,现有技术KNN算法的累积概率分布为0.84。
附图说明
图1为周期性触发的MDT报告位置、指纹与时间错位的示意图,MDT为最小化路测(Minimization of Drive Test),Δt为MDT报告的时间间隔,t为时间轴,t1、t2、t3、t4、t5为等间隔的MDT报告上报时刻;
图2为本发明LTE指纹定位***框图,LTE为***通信技术(Long TermEvolution);
图3为本发明仿真定位精度CDF曲线对比示意图,CDF为累积概率分布,KNN算法为K近邻分类算法。
具体实施方式
具体实施方式一:本实施方式的一种基于UE速度的Radio Map分类定位方法具体过程为:
步骤一、获取DT、CQT和MDT采样点;
所述DT为路测;CQT为呼叫质量测试,MDT为最小化路测;
步骤二、对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量;
所述RSRP为参考信号接收功率;
步骤三、根据步骤二设计基于Adaboost分类算法的强分类函数;
步骤四:利用步骤三中训练得到的强分类函数构建离线Radio Map;
所述Radio Map为位置指纹地图;
步骤五、利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中获取DT/CQT/MDT采样点;具体过程为:
步骤一一:从LTE网络优化数据中获取DT/CQT/MDT采样点数据包,将DT采样点标记为高速运动UE,CQT采样点标记为低速运动UE或静止UE,MDT采样点无运动标签;UE为用户终端设备(User Equipment);
UE速度大于等于30km/h为高速,UE速度小于30km/h为低速;
步骤一二:将DT、CQT和有位置的MDT采样点经纬度进行位置网格化,将采样点位置固定于距离最近的网格节点,为使经度、纬度的有效位数与GPS的定位精度相匹配,设置网格间隔为1米;由公式(3)计算得到1米对应经度差及纬度差,该差值与用户位置有关,以哈尔滨市城区(126°E,45°N)为例,经度差约为1.3×10-6°,纬度差约为0.9×10-6°;
步骤一三:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取UE的IMSI(International Mobile Subscriber Identity)以唯一识别UE;
IMSI为国际移动用户识别码;
步骤一四:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取当前测试采样点测量时间戳(TimeStamp);
步骤一五:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取服务小区的全球小区识别码,记为CGI0;提取服务小区RSRP测量结果,记为RSRP0;
步骤一六:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取邻区小区PCI(Physical Cell Identifier),最多包含6个邻小区,记为PCI1~PCI6;获取对应于邻区PCI的RSRP测量结果,记为RSRP1~RSRP6;RSRP1为邻区1参考信号接收功率;RSRP6为邻区6参考信号接收功率;PCI为物理小区标识;RSRP为参考信号接收功率;
步骤一七:将邻区PCI与工参进行对比,当邻区PCI与工参完全一致,得到邻区CGI,记为CGI1~CGI6;CGI1为邻区1全球小区识别码,CGI6为邻区6全球小区识别码;CGI为邻区全球小区识别码;
工参包括基站位置、物理小区标识、载频频点、全球小区识别码,由运营商提供,LTE网络优化人员每天根据网络优化项目更新工参。
步骤一八:经过以上步骤一一~步骤一七,已获取位置指纹定位所需的全部信息,见下表1,重复步骤一一~步骤一七直到获取所有DT/CQT/MDT采样点:
表1采样点信息及含义对应表
其它步骤及参数与具体实施方式一相同。
本发明中具体实施方式二针对TDD-LTE指纹定位***、FDD-LTE指纹定位***设计,对具体实施方式二中数据获取方式进行变形可推广应用于GSM指纹定位***、TD-SCDMA指纹定位***、WCDMA指纹定位***、CDMA2000指纹定位***等各种移动通信网络指纹定位***。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量;具体过程为:
步骤二一:从步骤一获取的DT/CQT/MDT采样点中筛选相同IMSI的采样点,即来自同一终端上报的采样点;将相同IMSI的采样点按Timestamp升序排列;在相同IMSI的采样点序列上加滑动时间窗,窗长度60s,间隔12s滑动;
所述IMSI为国际移动用户识别码;
Timestamp为当前测试采样点测量时间戳;
步骤二三:求Rc向量中元素的最小值rcmin,元素的最大值rcmax,则RSRP的跨度为m=rcmax-rcmin+1;对Rc进行如下处理:
R′c=Rc-rcmin+1 (4)
其中rcmin=[rcmin rcmin … rcmin]n×1,1=[1 1 … 1]n×1,如此得到的R′c中的元素均为正整数且最小值为1;R′c为中间变量;
R′c中任意一元素r′ci及下一时刻元素r′ci+1,即得到一个信号强度变化对(r′ci,r′ci+1),令GM中第r′ci行第r′ci+1列元素+1;将R′c中所有信号强度变化对取遍,则GM构造完成;m为RSRP的跨度,取值为正整数;
步骤二六:将RSRP共生矩阵PM主对角线方向元素求和,令求和得到的新向量长度为11,如果求和得到的向量长度小于11,则在向量两端补相同个数的0;如果求和得到的向量长度大于11,则在向量两端截断相同个数的0,即得到等长的RSRP共生向量
如图2基于UE速度的Radio Map分类的LTE指纹定位***框图,本设计主要包含UE速度分类训练模块和UE速度分类模块两部分。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中根据步骤二设计基于Adaboost分类算法的强分类函数;具体过程为:
步骤三一:对步骤一获取的所有DT/CQT采样点按步骤二中所述方法提取RSRP共生向量;
步骤三二:将DT/CQT采样点权重初始化为D1(i)=0.5/w(class(i)),其中w(class(i))为采样点i所属标签的DT/CQT采样点总数;
class(i)为采样点i的先验类别标签;i为DT/CQT采样点中第i个;
步骤三三:将CART作为弱分类器;训练每个弱分类器CART时,得到每个弱分类器CART的预测输出,从而得到预测序列gt(x)的预测误差和,其计算公式为:
步骤三四:根据预测序列gt(x)的预测误差εt,计算预测序列gt(x)的权重at,计算公式为:
步骤三五:根据预测序列gt(x)的权重at,得到下一轮DT/CQT采样点的权重,调整公式为:
步骤三六:经过以上步骤三三~步骤三五,已完成一次Adaboost迭代。重复步骤三三~步骤三五直到达到迭代次数上限T,得到T个弱分类函数f(gt(x),at),将其组合得到强分类函数h(x):
式中,at为第t次迭代的弱分类器权重;迭代次数上限T为人为设定,越大越准,计算量越大,耗时越长,取值为10-1000;f(gt(x),at)为第t次迭代的弱分类器。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中利用步骤三中训练得到的强分类函数构建离线Radio Map;具体过程为:
步骤四一:利用步骤三中训练得到的强分类函数,对离线阶段采样点的运动状态进行分类;
离线阶段采样点为步骤一获取的所有MDT采样点中有位置的采样点;
滑动时间窗长度为60s,间隔为12s,则每个离线阶段采样点能得到5个分类结果,设离线阶段采样点低速运动的状态标签为-1,离线阶段采样点高速运动的状态标签为+1,则每一个离线阶段采样点的状态label表示为:
hi(x)为Adaboost强分类器预测结果;
离线阶段采样点低速运动的状态标签label为-1时,标记为CQT的采样点;离线阶段采样点高速运动的状态标签label为+1时,标记为DT的采样点;
步骤四二:将标记为DT的采样点合并构建DT离线Radio Map;
合并相同的标记为DT的采样点,即得到一个RP,对于相同的CGI,将各个标记为DT的采样点测量的RSRP取平均值;重复以上步骤直到所有标记为DT的采样点合并完成,得到Radio Map,Radio Map中包含位置、小区编号和信号强度三部分信息;假设有j个RP,由于测量报告中的邻区个数不定,则每个RP对应的AP个数可能不同;λ为采样点UE经度;为采样点UE纬度;j取值为正整数,RP为参考点,AP为接入点;
步骤四三:将标记为CQT的采样点合并构建CQT离线Radio Map,
合并相同的标记为CQT的采样点,即得到一个RP,对于相同的CGI,将各个标记为CQT的采样点测量的RSRP取平均值;重复以上步骤直到所有标记为CQT的采样点合并完成,得到Radio Map,Radio Map中包含位置、小区编号和信号强度三部分信息;假设有d个RP,由于测量报告中的邻区个数不定,则每个RP对应的AP个数可能不同;λ为采样点UE经度;为采样点UE纬度;d取值为正整数;
DT离线Radio Map和CQT离线Radio Map构成离线Radio Map。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤五中利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位;具体过程为:
步骤五一:利用步骤三中训练得到的强分类函数,对在线阶段采样点的运动状态进行分类;方法同步骤四一。
在线阶段采样点为步骤一获取的所有MDT采样点中没有位置的采样点;
滑动时间窗长度为60s,间隔为12s,则每个在线阶段采样点能得到5个分类结果,设在线阶段采样点低速运动的状态标签为-1,在线阶段采样点高速运动的状态标签为+1,则每一个在线阶段采样点的状态label表示为:
式中,hi(x)为Adaboost强分类器预测结果;
在线阶段采样点低速运动的状态标签label为-1时,标记为CQT的采样点;label为+1时,标记为DT的采样点;
步骤五二:由步骤五一得到的在线阶段采样点运动状态分类结果,在步骤四得到的离线Radio Map中匹配对应的离线Radio Map;筛选同时包含CGI0~CGIn的参考点,并计算在线RSRP与离线Radio Map中的参考点的信号空间欧氏距离;假设第p个参考点同时包含所有的在线CGI,且在参考点中对应的CGI为CGIp0~CGIpn,对应的RSRP为RSRPp0~RSRPpn,则在线采样点RSRP与Radio Map中第p个参考点的信号空间欧氏距离dp为:
参考点为步骤一获取的所有MDT采样点中有位置的采样点合并后的点;p取值为正整数;
式中||·||2为矩阵的L2范数;RSRPp为针对1个参考点的参考点p的RSRP测量结果;RSRP为参考信号接收功率;CGI0为针对1个参考点的服务小区的全球小区识别码;CGIn为针对1个参考点的邻小区n的全球小区识别码;n取值为1-6;CGIp0为参考点p的服务小区的全球小区识别码;CGIpn为参考点p的邻小区n的全球小区识别码;RSRPp0为参考点p的服务小区的RSRP测量结果;RSRPpn为参考点p的邻小区n的RSRP测量结果;p为正整数;
步骤五三:选择欧氏距离dp最小的k个参考点,通过下式估计测试点位置:
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于UE速度的Radio Map分类定位方法具体是按照以下步骤制备的:
选择的实验环境是哈尔滨市的一块长2.91km,宽2.47km的密集城区对所提算法进行仿真验证,实验数据取自4G LTE基站获取的真实数据。各类别采样点检测概率、虚警概率见表2。
表2 UE速度分类效果
低速(CQT) | 高速(DT) | |
检测概率 | 99.92% | 93.59% |
虚警概率 | 0.47% | 1.17% |
本发明提出的定位方法能够高精度的区分高速和低速的采样点,发挥各自指纹优势,并能够有效的提高定位精度。结合表2得出采用本发明方法在低速的检测概率为99.92%,高速的检测概率为93.59%;低速的虚警概率为0.47%,高速的虚警概率为1.17%;
实验仿真定位精度CDF曲线见图3。
结合图3得出在定位误差为10m时,本发明的累积概率分布为0.4,现有技术KNN算法的累积概率分布为0.38;定位误差为60m时,本发明的累积概率分布为0.87,现有技术KNN算法的累积概率分布为0.82;定位误差为100m时,本发明的累积概率分布为0.89,现有技术KNN算法的累积概率分布为0.84。
本发明提出的定位方法能够高精度的区分高速和低速的采样点,发挥各自指纹优势,并能够有效的提高定位精度。
为了方便理解,将本发明的全部变量与物理意义列表如下:
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (1)
1.一种基于UE速度的Radio Map分类定位方法,其特征在于该方法具体过程为:
步骤一、获取DT/CQT/MDT采样点;
所述DT为路测;CQT为呼叫质量测试,MDT为最小化路测;
步骤二、对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量;
所述RSRP为参考信号接收功率;
步骤三、根据步骤二设计基于Adaboost分类算法的强分类函数;
步骤四:利用步骤三中训练得到的强分类函数构建离线Radio Map;
所述Radio Map为位置指纹地图;
步骤五、利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位;
所述步骤一中获取DT/CQT/MDT采样点;具体过程为:
步骤一一:从LTE网络优化数据中获取DT/CQT/MDT采样点数据包,将DT采样点标记为高速运动UE,CQT采样点标记为低速运动UE或静止UE,MDT采样点无运动标签;UE为用户终端设备;
UE速度大于等于30km/h为高速,UE速度小于30km/h为低速;
步骤一三:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取UE的IMSI以唯一识别UE;
IMSI为国际移动用户识别码;
步骤一四:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取当前测试采样点测量时间戳;
步骤一五:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取服务小区的全球小区识别码,记为CGI0;提取服务小区RSRP测量结果,记为RSRP0;
步骤一六:从步骤一一中获取的DT/CQT/MDT采样点数据包中提取邻区小区PCI,最多包含6个邻小区,记为PCI1~PCI6;获取对应于邻区PCI的RSRP测量结果,记为RSRP1~RSRP6;RSRP1为邻区1参考信号接收功率;RSRP6为邻区6参考信号接收功率;PCI为物理小区标识;RSRP为参考信号接收功率;
步骤一七:将邻区PCI与工参进行对比,当邻区PCI与工参完全一致,得到邻区CGI,记为CGI1~CGI6;CGI1为邻区1全球小区识别码,CGI6为邻区6全球小区识别码;CGI为邻区全球小区识别码;
工参包括基站位置、物理小区标识、载频频点、全球小区识别码;
步骤一八:重复步骤一一~步骤一七直到获取所有DT/CQT/MDT采样点;
所述步骤二中对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量;具体过程为:
步骤二一:从步骤一获取的DT/CQT/MDT采样点中筛选相同IMSI的采样点,即来自同一终端上报的采样点;将相同IMSI的采样点按Timestamp升序排列;在相同IMSI的采样点序列上加滑动时间窗,窗长度60s,间隔12s滑动;
所述IMSI为国际移动用户识别码;
Timestamp为当前测试采样点测量时间戳;
步骤二三:求Rc向量中元素的最小值rcmin,元素的最大值rcmax,则RSRP的跨度为m=rcmax-rcmin+1;对Rc进行如下处理:
R′c=Rc-rcmin+1 (4)
其中rcmin=[rcmin rcmin…rcmin]n×1,1=[1 1…1]n×1,如此得到的R′c中的元素均为正整数且最小值为1;R′c为中间变量;
R′c中任意一元素r′ci及下一时刻元素r′ci+1,即得到一个信号强度变化对(r′ci,r′ci+1),令GM中第r′ci行第r′ci+1列元素+1;将R′c中所有信号强度变化对取遍,则GM构造完成;m为RSRP的跨度,取值为正整数;
步骤二六:将RSRP共生矩阵PM主对角线方向元素求和,令求和得到的新向量长度为11,如果求和得到的向量长度小于11,则在向量两端补相同个数的0;如果求和得到的向量长度大于11,则在向量两端截断相同个数的0,即得到等长的RSRP共生向量所述步骤三中根据步骤二设计基于Adaboost分类算法的强分类函数;具体过程为:
步骤三一:对步骤一获取的所有DT/CQT采样点按步骤二中所述方法提取RSRP共生向量;
步骤三二:将DT/CQT采样点权重初始化为D1(i)=0.5/w(class(i)),其中w(class(i))为采样点i所属标签的DT/CQT采样点总数;
class(i)为采样点i的先验类别标签;i为DT/CQT采样点中第i个;
步骤三三:将CART作为弱分类器;训练每个弱分类器CART时,得到每个弱分类器CART的预测输出,从而得到预测序列gt(x)的预测误差和,其计算公式为:
步骤三四:根据预测序列gt(x)的预测误差εt,计算预测序列gt(x)的权重at,计算公式为:
步骤三五:根据预测序列gt(x)的权重at,得到下一轮DT/CQT采样点的权重,调整公式为:
步骤三六:重复步骤三三~步骤三五直到达到迭代次数上限T,得到T个弱分类函数f(gt(x),at),将其组合得到强分类函数h(x):
式中,at为第t次迭代的弱分类器权重;迭代次数上限T为人为设定,取值为10-1000;f(gt(x),at)为第t次迭代的弱分类器;
所述步骤四中利用步骤三中训练得到的强分类函数构建离线Radio Map;具体过程为:
步骤四一:利用步骤三中训练得到的强分类函数,对离线阶段采样点的运动状态进行分类;
离线阶段采样点为步骤一获取的所有MDT采样点中有位置的采样点;
滑动时间窗长度为60s,间隔为12s,则每个离线阶段采样点能得到5个分类结果,设离线阶段采样点低速运动的状态标签为-1,离线阶段采样点高速运动的状态标签为+1,则每一个离线阶段采样点的状态label表示为:
hi(x)为Adaboost强分类器预测结果;
离线阶段采样点低速运动的状态标签label为-1时,标记为CQT的采样点;离线阶段采样点高速运动的状态标签label为+1时,标记为DT的采样点;
步骤四二:将标记为DT的采样点合并构建DT离线Radio Map;
合并相同的标记为DT的采样点,即得到一个RP,对于相同的CGI,将各个标记为DT的采样点测量的RSRP取平均值;重复以上步骤直到所有标记为DT的采样点合并完成,得到Radio Map,Radio Map中包含位置、小区编号和信号强度三部分信息;假设有j个RP,由于测量报告中的邻区个数不定,则每个RP对应的AP个数可能不同;λ为采样点UE经度;为采样点UE纬度;j取值为正整数,RP为参考点,AP为接入点;
步骤四三:将标记为CQT的采样点合并构建CQT离线Radio Map,
合并相同的标记为CQT的采样点,即得到一个RP,对于相同的CGI,将各个标记为CQT的采样点测量的RSRP取平均值;重复以上步骤直到所有标记为CQT的采样点合并完成,得到Radio Map,Radio Map中包含位置、小区编号和信号强度三部分信息;假设有d个RP,由于测量报告中的邻区个数不定,则每个RP对应的AP个数可能不同;λ为采样点UE经度;为采样点UE纬度;d取值为正整数;
DT离线Radio Map和CQT离线Radio Map构成离线Radio Map;
所述步骤五中利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位;具体过程为:
步骤五一:利用步骤三中训练得到的强分类函数,对在线阶段采样点的运动状态进行分类;
在线阶段采样点为步骤一获取的所有MDT采样点中没有位置的采样点;
滑动时间窗长度为60s,间隔为12s,则每个在线阶段采样点能得到5个分类结果,设在线阶段采样点低速运动的状态标签为-1,在线阶段采样点高速运动的状态标签为+1,则每一个在线阶段采样点的状态label表示为:
式中,hi(x)为Adaboost强分类器预测结果;
在线阶段采样点低速运动的状态标签label为-1时,标记为CQT的采样点;label为+1时,标记为DT的采样点;
步骤五二:由步骤五一得到的在线阶段采样点运动状态分类结果,在步骤四得到的离线Radio Map中匹配对应的离线Radio Map;筛选同时包含CGI0~CGIn的参考点,并计算在线RSRP与离线Radio Map中的参考点的信号空间欧氏距离;假设第p个参考点同时包含所有的在线CGI,且在参考点中对应的CGI为CGIp0~CGIpn,对应的RSRP为RSRPp0~RSRPpn,则在线采样点RSRP与Radio Map中第p个参考点的信号空间欧氏距离dp为:
参考点为步骤一获取的所有MDT采样点中有位置的采样点合并后的点;p取值为正整数;
式中||·||2为矩阵的L2范数;RSRPp为针对1个参考点的参考点p的RSRP测量结果;RSRP为参考信号接收功率;CGI0为针对1个参考点的服务小区的全球小区识别码;CGIn为针对1个参考点的邻小区n的全球小区识别码;n取值为1-6;CGIp0为参考点p的服务小区的全球小区识别码;CGIpn为参考点p的邻小区n的全球小区识别码;RSRPp0为参考点p的服务小区的RSRP测量结果;RSRPpn为参考点p的邻小区n的RSRP测量结果;p为正整数;
步骤五三:选择欧氏距离dp最小的k个参考点,通过下式估计测试点位置:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240569.9A CN107027148B (zh) | 2017-04-13 | 2017-04-13 | 一种基于UE速度的Radio Map分类定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240569.9A CN107027148B (zh) | 2017-04-13 | 2017-04-13 | 一种基于UE速度的Radio Map分类定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107027148A CN107027148A (zh) | 2017-08-08 |
CN107027148B true CN107027148B (zh) | 2020-04-14 |
Family
ID=59527819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710240569.9A Expired - Fee Related CN107027148B (zh) | 2017-04-13 | 2017-04-13 | 一种基于UE速度的Radio Map分类定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107027148B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418285A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种无线电地图的建立方法及装置 |
CN111818634B (zh) * | 2019-04-11 | 2021-12-28 | 上海华为技术有限公司 | 一种5g场景下的定位方法、定位平台及用户终端 |
CN110290490B (zh) * | 2019-05-06 | 2020-12-08 | 广东工业大学 | 一种室内混合指纹地图的构建方法 |
CN112543470B (zh) * | 2019-09-23 | 2023-04-07 | ***通信集团重庆有限公司 | 基于机器学习的终端定位方法及*** |
CN114035910B (zh) * | 2020-09-09 | 2024-05-10 | 东华大学 | 一种缩短应急响应时间的双平行机调度方法 |
CN114679749A (zh) * | 2020-12-25 | 2022-06-28 | 展讯半导体(南京)有限公司 | 邻区测量方法及装置、计算机可读存储介质 |
CN114488247A (zh) * | 2022-02-19 | 2022-05-13 | 北京中科智易科技有限公司 | 一种基于高精度北斗差分定位分析装备机动能力的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167605A (zh) * | 2013-03-07 | 2013-06-19 | 哈尔滨工业大学 | 一种卫星辅助信号覆盖图建立/更新的WiFi室外定位方法 |
CN103889053A (zh) * | 2014-03-26 | 2014-06-25 | 哈尔滨工业大学 | 一种自生长式的指纹图自主建立方法 |
CN104602342A (zh) * | 2015-01-13 | 2015-05-06 | 浙江大学 | 一种基于iBeacon设备的高效室内定位方法 |
CN105044662A (zh) * | 2015-05-27 | 2015-11-11 | 南京邮电大学 | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9143176B2 (en) * | 2013-04-08 | 2015-09-22 | Wavion, Ltd. | Method and system for multipath fingerprinting by maximum discrimination techniques |
-
2017
- 2017-04-13 CN CN201710240569.9A patent/CN107027148B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167605A (zh) * | 2013-03-07 | 2013-06-19 | 哈尔滨工业大学 | 一种卫星辅助信号覆盖图建立/更新的WiFi室外定位方法 |
CN103889053A (zh) * | 2014-03-26 | 2014-06-25 | 哈尔滨工业大学 | 一种自生长式的指纹图自主建立方法 |
CN104602342A (zh) * | 2015-01-13 | 2015-05-06 | 浙江大学 | 一种基于iBeacon设备的高效室内定位方法 |
CN105044662A (zh) * | 2015-05-27 | 2015-11-11 | 南京邮电大学 | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 |
Non-Patent Citations (5)
Title |
---|
A Comparative Study on Machine Learning Algorithms for Indoor Positioning;Sinem Bozkurt,etc;《2015 International Symposium on Innovations in Intelligent SysTems and Applications (INISTA)》;20150904;全文 * |
Improved AdaBoost-based Fingerprint Algorithm for WiFi Indoor Localization;Yu Feng,etc;《2014 IEEE 7th Joint International Information Technology and Artificial Intelligence Conference》;20141221;全文 * |
Performance Evaluation of MDT Assisted LTE RF Fingerprint Framework;Riaz Mondal,etc;《2014 Seventh International Conference on Mobile Computing and Ubiquitous Networking (ICMU)》;20140108;全文 * |
Radio map updated method based on subscriber locations in indoor WLAN localization;Lin Ma,etc;《Journal of Systems Engineering and Electronics》;20151231;全文 * |
基于动态Radio Map的粒子滤波室内无线定位算法;林以明等;《计算机研究与发展》;20110131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107027148A (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107027148B (zh) | 一种基于UE速度的Radio Map分类定位方法 | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位***及方法 | |
CN106604228B (zh) | 一种基于lte信令数据的指纹定位方法 | |
CN103068035A (zh) | 一种无线网络定位方法、装置及*** | |
Lakmali et al. | Database correlation for GSM location in outdoor & indoor environments | |
US11419088B2 (en) | Radiation source positioning method based on radio spectrum monitoring big data processing | |
CN109151750B (zh) | 一种基于循环神经网络模型的lte室内定位楼层判别方法 | |
CN109803274B (zh) | 一种天线方位角优化方法和*** | |
CN106793085A (zh) | 基于正态假设检验的指纹定位方法 | |
Zhang et al. | Machine learning-based integrated wireless sensing and positioning for cellular network | |
Strelkovskaya et al. | Using quadratic complex planar splines in solving local positioning problems | |
Fang et al. | An accurate and real-time commercial indoor localization system in LTE networks | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
Li et al. | Outdoor location estimation using received signal strength feedback | |
Huang et al. | Experimental study of telco localization methods | |
Zhang et al. | Gaussian process based radio map construction for LTE localization | |
Meniem et al. | Relative RSS-based GSM localization technique | |
Zhang et al. | Prnet: Outdoor position recovery for heterogenous telco data by deep neural network | |
Khalaf-Allah et al. | Mobile location in GSM networks using database correlation with bayesian estimation | |
Xu et al. | Keeping track of position and cell residual dwell time of cellular networks using HSMM structure and cell-ID information | |
Lemelson et al. | Automatic identification of fingerprint regions for quick and reliable location estimation | |
Ng et al. | Footfall count estimation techniques using mobile data | |
Lin et al. | Dccp: Deep convolutional neural networks for cellular network positioning | |
Huai et al. | Multi-Feature based Outdoor Fingerprint Localization with Accuracy Enhancement for Cellular Network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200414 Termination date: 20210413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |