CN113840225A - 终端定位方法、装置以及存储介质 - Google Patents

终端定位方法、装置以及存储介质 Download PDF

Info

Publication number
CN113840225A
CN113840225A CN202010579830.XA CN202010579830A CN113840225A CN 113840225 A CN113840225 A CN 113840225A CN 202010579830 A CN202010579830 A CN 202010579830A CN 113840225 A CN113840225 A CN 113840225A
Authority
CN
China
Prior art keywords
data
terminal
information
longitude
training
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.)
Pending
Application number
CN202010579830.XA
Other languages
English (en)
Inventor
罗伟华
曹磊
王敏
武巍
冯云喜
王兵
黄云飞
姚彦强
许群路
郑博
马泽雄
王谦
宫云平
李力卡
许盛宏
余育青
陈喜洲
李涛
高智衡
谭志远
吴旭
陈园光
范家杰
刘阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202010579830.XA priority Critical patent/CN113840225A/zh
Publication of CN113840225A publication Critical patent/CN113840225A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本公开提供了一种终端定位方法、装置以及存储介质，其中的方法包括：根据终端的接入小区将MR数据划分为与各个接入小区相对应的MR数据组，提取携带有终端经纬度信息的第一MR数据生成训练样本，对终端位置预测模型进行训练；使用训练好的终端位置预测模型对未携带有终端经纬度信息的第二MR数据进行预测并添加预测的终端经纬度信息；本公开的方法、装置以及介质，为每个接入小区建立对应的终端位置预测模型，能够独立进行训练、调整或替换，在调整、训练或替换时不会影响其他终端位置预测模型；利用机器学习方法根据所收集的不同小区的训练样本对终端位置预测模型进行训练，无需人工调整，能够减少成本，并且定位准确性高，预测耗时短。

Description

终端定位方法、装置以及存储介质
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、装置以及存储介质。
背景技术
对于终端位置的精准定位有助于提升重要区域内的终端用户的使用感知，能够将有限资源快速投放于重点区域。目前，由于终端功能限制，只有少量终端在室外时会通过无线测量报告MRO上报经纬度，覆盖程度低，另外，终端APP会对用户的位置信息进行加密且无用户号码，导致运营商无法获取用户的位置，从而无法得知重要区域的用户感知真实情况。现有的终端定位技术存在以下问题：4G网络由于技术缺陷导致了相关参数缺失，定位准确性低；需周期性进行DT、CQT测试，大量消耗人力物力；每条位置记录需要三角定位进行复杂计算，预测时匹配时间长，消耗设备性能。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种终端定位方法、装置以及存储介质。
根据本公开的第一方面，提供一种终端定位方法，包括：获取终端发送的测量报告MR数据，根据所述终端的接入小区将所述MR数据划分为与各个所述接入小区相对应的MR数据组；在所述MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于所述第一MR数据生成训练样本并将所述第二MR数据作为预测目标数据；构建与所述接入小区相对应的终端位置预测模型，使用所述训练样本对所述终端位置预测模型进行训练；使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测，并在所述第二MR数据中添加预测的终端经纬度信息。
可选地，所述基于所述第一MR数据生成训练样本包括：从所述第一MR数据中提取所述接入小区的信息；其中，所述接入小区的信息包括：时间提前量TA和第一参考信号接收功率RSRP；从所述第一MR数据中提取邻小区的信息；其中，所述邻小区的信息包括：第二参考信号接收功率RSRP、物理小区标识PCI和载波频点号Earfcn；基于所述PCI和所述Earfcn的组合生成邻小区标识；生成与所述第一MR数据相对应的特征信息；其中，所述特征信息包括：所述TA、所述第一RSRP、所述第二RSRP和所述邻小区标识；根据所述特征信息生成所述训练样本。
可选地，所述根据所述特征信息生成所述训练样本包括：生成与所述特征信息相对应的训练特征向量；从与所述训练特征向量相对应的第一MR数据中提取终端经纬度信息；基于提取的终端经纬度信息设置与所述训练特征向量相对应的标签信息，使用所述训练特征向量组成所述训练特征矩阵，作为所述训练样本。
可选地，所述基于提取的终端经纬度信息设置与所述训练特征向量相对应的标签信息，使用所述训练特征向量组成所述训练特征矩阵包括：获取所述提取的终端经纬度信息的第一经度信息和第一纬度信息；基于所述第一经度信息设置与所述训练特征向量相对应的标签信息，使用此训练特征向量组成第一特征矩阵；基于所述第一纬度信息设置与所述训练特征向量相对应的标签信息，使用此训练特征向量组成第二特征矩阵。
可选地，所述终端位置预测模型包括：经度预测模型和纬度预测模型；使用所述训练样本对所述终端位置预测模型进行训练包括：使用所述第一特征矩阵对所述经度预测模型进行训练，并且使用所述第二特征矩阵对所述纬度预测模型进行训练。
可选地，所述使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测包括：使用训练好的所述经度预测模型对与所述第二MR数据对应的第二经度信息进行预测，并且使用训练好的所述纬度预测模型对与所述第二MR数据对应的第二纬度信息进行预测。
可选地，基于所述第二MR数据生成预测特征向量，其中，所述预测特征向量的格式与所述训练特征向量的格式相同；将所述预测特征向量分别输入训练好的所述经度预测模型和所述纬度预测模型，分别获取所述第二经度信息和所述第二纬度信息。
可选地，所述终端位置预测模型包括：LightGBM模型。
根据本公开的第二方面，提供一种终端定位装置，包括：报告收集模块，用于获取终端发送的测量报告MR数据，根据所述终端的接入小区将所述MR数据划分为与各个所述接入小区相对应的MR数据组；样本构建模块，用于在所述MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于所述第一MR数据生成训练样本并将所述第二MR数据作为预测目标数据；模型训练模块，用于构建与所述接入小区相对应的终端位置预测模型，使用所述训练样本对所述终端位置预测模型进行训练；位置预测模块，用于使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测，并在所述第二MR数据中添加预测的终端经纬度信息。
根据本公开的第三方面，提供一种终端定位装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如上所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
本公开的终端定位方法、装置以及存储介质，根据终端的接入小区将MR数据划分为与各个接入小区相对应的MR数据组，提取携带有终端经纬度信息的第一MR数据生成训练样本，对终端位置预测模型进行训练；使用训练好的终端位置预测模型对未携带有终端经纬度信息的第二MR数据进行预测并添加预测的终端经纬度信息；为每个接入小区建立对应的终端位置预测模型，终端位置预测模型能够独立进行训练、调整或替换，在调整、训练或替换时不会影响其他终端位置预测模型；利用机器学习方法并生成不同的训练样本对终端位置预测模型进行训练，能够自动调整模型参数，无需人工调整，能够减少成本，并且定位的准确性高，预测时间短，可以减少设备性能的消耗。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本公开的终端定位方法的一个实施例的流程示意图；
图2为根据本公开的终端定位方法的一个实施例中的生成训练样本的流程示意图；
图3为根据本公开的终端定位装置的一个实施例的模块示意图；
图4为根据本公开的终端定位装置的一个实施例中的样本构建模块的模块示意图；
图5为根据本公开的终端定位装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。
图1为根据本公开的终端定位方法的一个实施例的流程示意图，如图1所示：
步骤101，获取终端发送的测量报告MR数据，根据终端的接入小区将MR数据划分为与各个接入小区相对应的MR数据组。
在一个实施例中，终端可以为手机、平板电脑等。无线接入网侧向终端发送测量控制信息，终端接受控制信息测量并向无线接入网侧发送测量报告(Measurment Report)MR数据。MR数据记录了终端在业务保持过程中的接入(服务)小区/邻区ID、信号接收功率(RSRP)、信号接收质量(RSRQ)、到达角(AOA)、发射功率余量(PHR)等无线测量信息。MR数据可以为LTE基站设备自动采集的数据，按照MR数据中的接入小区的区号进行分组处理，将MR数据划分为与各个接入小区相对应的MR数据组。
步骤102，在MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于第一MR数据生成训练样本并将第二MR数据作为预测目标数据。
在与各个接入小区相对应的MR数据组中，按照MR数据中是否携带有终端经纬度信息，在MR数据组内获取第一MR数据、第二MR数据，基于第一MR数据生成训练样本并将第二MR数据作为预测目标数据，训练样本可以为训练特征矩阵等。
步骤103，构建与接入小区相对应的终端位置预测模型，使用训练样本对终端位置预测模型进行训练。
可以为每个MR数据组，即为每个接入小区都构建一个终端位置预测模型。终端位置预测模型可以有多种，例如，终端位置预测模型为LightGBM(Light Gradient BoostingMachine，轻量梯度提升机)模型等。可以通过现有的训练方法使用训练样本对终端位置预测模型进行训练，自动学习模型的最优参数。
步骤104，使用训练好的终端位置预测模型对与第二MR数据对应的终端经纬度信息进行预测，并在第二MR数据中添加预测的终端经纬度信息。
通过训练好的终端位置预测模型对与第二MR数据对应的终端经纬度信息进行预测，可以在缺失终端经纬度信息的MR数据中进行经纬度信息的自动补全，实现对全部终端的定位。
在一个实施例中，从第一MR数据中提取接入小区的信息，接入小区的信息包括时间提前量TA(Timing Advance)和第一参考信号接收功率RSRP(Reference SignalReceiving Power，参考信号接收功率)等。从第一MR数据中提取邻小区的信息，邻小区的信息包括第二参考信号接收功率RSRP、邻区物理小区标识PCI(物理小区标识(PhysicalCellIdentity，PCI))和邻区载波频点号Earfcn等。基于PCI和Earfcn的组合生成邻小区标识。生成与第一MR数据相对应的特征信息，特征信息包括TA、第一RSRP、第二RSRP和邻小区标识等，根据特征信息生成训练样本。
图2为根据本公开的终端定位方法的一个实施例中的生成训练样本的流程示意图，如图2所示：
步骤201，生成与特征信息相对应的训练特征向量。
步骤202，从与训练特征向量相对应的第一MR数据中提取终端经纬度信息。
步骤203，基于提取的终端经纬度信息设置与训练特征向量相对应的标签信息，并使用训练特征向量组成训练特征矩阵，作为训练样本。
在一个实施例中，可以使用与同一个接入小区相对应的第一MR数据构建训练特征矩阵，即对于一个MR数据组生成对应的训练特征矩阵。生成与第一MR数据对应的特征信息包括：接入小区(可以为主接入小区)的时间提前量TA、接入小区的第一RSRP，以及多个按出现次数排列的邻区的第二RSRP，邻小区标识；邻小区标识为邻区物理小区标识PCI与邻区载波频点号Earfcn组合，用于标识邻小区。
生成与特征信息相对应的训练特征向量，训练特征向量的元素包括：TA、第一RSRP、多个第二RSRP；训练特征向量的维数为2+多个第二RSRP的数量。每个第二RSRP对应一个邻小区标识(PCI与Earfcn组合)，存储训练特征向量中的元素(元素值为第二RSRP)与邻小区标识的对应关系，或者，在训练特征向量中，可以在与第二RSRP对应的元素中增加邻小区标识，即训练特征向量的元素值可以为邻小区标识+第二RSRP。
从与训练特征向量相对应的第一MR数据中提取终端经纬度信息，基于提取的终端经纬度信息设置与训练特征向量相对应的标签信息，将全部的训练特征向量组成训练特征矩阵，使用训练特征矩阵对终端位置预测模型(LightGBM模型)进行训练。可以利用现有的训练方法，使用训练特征矩阵对终端位置预测模型进行训练。
在一个实施例中，获取从第一MR数据中提取的终端经纬度信息的第一经度信息和第一纬度信息，基于第一经度信息设置与训练特征向量相对应的标签信息，即使用第一经度信息作为标签，使用此训练特征向量组成第一特征矩阵；基于第一纬度信息设置与训练特征向量相对应的标签信息，即使用第一纬度信息作为标签，使用此训练特征向量组成第二特征矩阵。
终端位置预测模型包括经度预测模型和纬度预测模型，经度预测模型和纬度预测模型都为LightGBM模型等。使用第一特征矩阵对经度预测模型进行训练，并且使用第二特征矩阵对纬度预测模型进行训练。
与不同接入小区相对应的第一MR数据的数量、终端的位置会有较大差别，第一MR数据中的邻区PCI、邻区Earfcn具体值和数量都不相同，训练特征向量的维度不同，因此，对于每一个接入小区构建两个训练模型，分别为经度预测模型和纬度预测模型。
使用第一特征矩阵对经度预测模型进行训练，使用第二特征矩阵对纬度预测模型进行训练，经度预测模型和纬度预测模型的参数进行自动调优，各个接入小区的经度预测模型和纬度预测模型之间不会互相影响，后期如果需要调整经度预测模型和纬度预测模型，则仅需加入对应的接入小区的训练数据，进行训练、自动调整模型参数，无需人工调整，为每个小区训练出最合适的经度预测模型和纬度预测模型。
在一个实施例中，使用训练好的经度预测模型对与第二MR数据对应的第二经度信息进行预测，并且使用训练好的纬度预测模型对与第二MR数据对应的第二纬度信息进行预测。基于第二MR数据生成预测特征向量，预测特征向量的格式与训练特征向量的格式相同，即预测特征向量和训练特征向量的维数、每个元素表征的含义等都相同。
将预测特征向量分别输入训练好的经度预测模型和纬度预测模型，分别获取第二经度信息和第二纬度信息。可以使用现有的方法，使用训练好的终端位置预测模型对与第二MR数据对应的终端经纬度信息进行预测。通过将没有上传经纬度信息的终端的位置信息预测出来，并对缺失经纬度信息的第二MR数据进行终端位置信息补全，完成对于终端的定位。
在一个实施例中，如图3所示，本公开提供一种终端定位装置30，包括报告收集模块31、样本构建模块32、模型训练模块33和位置预测模块34。报告收集模块31获取终端发送的测量报告MR数据，根据终端的接入小区将MR数据划分为与各个接入小区相对应的MR数据组。样本构建模块32在MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于第一MR数据生成训练样本并将第二MR数据作为预测目标数据。
模型训练模块33构建与接入小区相对应的终端位置预测模型，使用训练样本对终端位置预测模型进行训练。位置预测模块34使用训练好的终端位置预测模型对与第二MR数据对应的终端经纬度信息进行预测，并在第二MR数据中添加预测的终端经纬度信息。
在一个实施例中，如图4所示，样本构建模块32包括：信息提取单元321、特征构建单元322和样本生成单元323。信息提取单元321从第一MR数据中提取接入小区的信息，接入小区的信息包括：时间提前量TA和第一参考信号接收功率RSRP等。
信息提取单元321从第一MR数据中提取邻小区的信息，邻小区的信息包括第二参考信号接收功率RSRP、物理小区标识PCI和载波频点号Earfcn等，信息提取单元321基于PCI和Earfcn的组合生成邻小区标识。
特征构建单元322生成与第一MR数据相对应的特征信息，特征信息包括TA、第一RSRP、第二RSRP和邻小区标识。样本生成单元323根据特征信息生成训练样本。
在一个实施例中，样本生成单元323生成与特征信息相对应的训练特征向量，从与训练特征向量相对应的第一MR数据中提取终端经纬度信息。样本生成单元323基于提取的终端经纬度信息设置与训练特征向量相对应的标签信息，使用训练特征向量组成训练特征矩阵，作为训练样本。
样本生成单元323获取提取的终端经纬度信息的第一经度信息和第一纬度信息，基于第一经度信息设置与训练特征向量相对应的标签信息，使用此训练特征向量组成第一特征矩阵。样本生成单元323基于第一纬度信息设置与训练特征向量相对应的标签信息，使用此训练特征向量组成第二特征矩阵。
在一个实施例中，终端位置预测模型包括经度预测模型和纬度预测模型；模型训练模块33第一特征矩阵对经度预测模型进行训练，并且使用第二特征矩阵对纬度预测模型进行训练。位置预测模块34使用训练好的经度预测模型对与第二MR数据对应的第二经度信息进行预测，并且使用训练好的纬度预测模型对与第二MR数据对应的第二纬度信息进行预测。
位置预测模块34基于第二MR数据生成预测特征向量，预测特征向量的格式与训练特征向量的格式相同。位置预测模块34将预测特征向量分别输入训练好的经度预测模型和纬度预测模型，分别获取第二经度信息和第二纬度信息。
图5为根据本公开的终端定位装置的另一个实施例的模块示意图。如图5所示，该装置可包括存储器51、处理器52、通信接口53以及总线54。存储器51用于存储指令，处理器52耦合到存储器51，处理器52被配置为基于存储器51存储的指令执行实现上述的终端定位方法。
存储器51可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器51也可以是存储器阵列。存储器51还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器52可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的终端定位方法的一个或多个集成电路。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行如上任一实施例中的终端定位方法。
本公开是参照根据本公开实施例的方法、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。
上述实施例中的终端定位方法、装置以及存储介质，根据终端的接入小区将MR数据划分为与各个接入小区相对应的MR数据组，提取携带有终端经纬度信息的第一MR数据生成训练样本，对终端位置预测模型进行训练；使用训练好的终端位置预测模型对未携带有终端经纬度信息的第二MR数据进行预测并添加预测的终端经纬度信息；为每个接入小区建立对应的终端位置预测模型，终端位置预测模型能够独立进行训练、调整或替换，在调整、训练或替换时不会影响其他终端位置预测模型；利用机器学习方法、并生成不同的训练样本对终端位置预测模型进行训练，能够自动调整模型参数，无需人工调整，能够减少成本；可以为每个接入小区都训练出经度和纬度预测模型，定位的准确性低，预测时间短，可以减少设备性能的消耗。
可能以许多方式来实现本公开的方法和***。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和***。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (11)

1.一种终端定位方法，包括：
获取终端发送的测量报告MR数据，根据所述终端的接入小区将所述MR数据划分为与各个所述接入小区相对应的MR数据组；
在所述MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于所述第一MR数据生成训练样本并将所述第二MR数据作为预测目标数据；
构建与所述接入小区相对应的终端位置预测模型，使用所述训练样本对所述终端位置预测模型进行训练；
使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测，并在所述第二MR数据中添加预测的终端经纬度信息。
2.如权利要求1所述的方法，所述基于所述第一MR数据生成训练样本包括：
从所述第一MR数据中提取所述接入小区的信息；其中，所述接入小区的信息包括：时间提前量TA和第一参考信号接收功率RSRP；
从所述第一MR数据中提取邻小区的信息；其中，所述邻小区的信息包括：第二参考信号接收功率RSRP、物理小区标识PCI和载波频点号Earfcn；
基于所述PCI和所述Earfcn的组合生成邻小区标识；
生成与所述第一MR数据相对应的特征信息；其中，所述特征信息包括所述TA、所述第一RSRP、所述第二RSRP和所述邻小区标识；
根据所述特征信息生成所述训练样本。
3.如权利要求2所述的方法，所述根据所述特征信息生成所述训练样本包括：
生成与所述特征信息相对应的训练特征向量；
从与所述训练特征向量相对应的第一MR数据中提取终端经纬度信息；
基于提取的终端经纬度信息设置与所述训练特征向量相对应的标签信息，使用所述训练特征向量组成所述训练特征矩阵，作为所述训练样本。
4.如权利要求3所述的方法，所述基于提取的终端经纬度信息设置与所述训练特征向量相对应的标签信息，使用所述训练特征向量组成所述训练特征矩阵包括：
获取所述提取的终端经纬度信息的第一经度信息和第一纬度信息；
基于所述第一经度信息设置与所述训练特征向量相对应的标签信息，使用此训练特征向量组成第一特征矩阵；
基于所述第一纬度信息设置与所述训练特征向量相对应的标签信息，使用此训练特征向量组成第二特征矩阵。
5.如权利要求4所述的方法，所述终端位置预测模型包括：经度预测模型和纬度预测模型；使用所述训练样本对所述终端位置预测模型进行训练包括：
使用所述第一特征矩阵对所述经度预测模型进行训练，并且使用所述第二特征矩阵对所述纬度预测模型进行训练。
6.如权利要求5所述的方法，所述使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测包括：
使用训练好的所述经度预测模型对与所述第二MR数据对应的第二经度信息进行预测，并且使用训练好的所述纬度预测模型对与所述第二MR数据对应的第二纬度信息进行预测。
7.如权利要求6所述的方法，还包括：
基于所述第二MR数据生成预测特征向量，其中，所述预测特征向量的格式与所述训练特征向量的格式相同；
将所述预测特征向量分别输入训练好的所述经度预测模型和所述纬度预测模型，分别获取所述第二经度信息和所述第二纬度信息。
8.如权利要求1至7任一项所述方法，其中，
所述终端位置预测模型包括：LightGBM模型。
9.一种终端定位装置，包括：
报告收集模块，用于获取终端发送的测量报告MR数据，根据所述终端的接入小区将所述MR数据划分为与各个所述接入小区相对应的MR数据组；
样本构建模块，用于在所述MR数据组中提取携带有终端经纬度信息的第一MR数据、未携带有经纬度位置信息的第二MR数据，基于所述第一MR数据生成训练样本并将所述第二MR数据作为预测目标数据；
模型训练模块，用于构建与所述接入小区相对应的终端位置预测模型，使用所述训练样本对所述终端位置预测模型进行训练；
位置预测模块，用于使用训练好的终端位置预测模型对与所述第二MR数据对应的终端经纬度信息进行预测，并在所述第二MR数据中添加预测的终端经纬度信息。
10.一种终端定位装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求1至8任意一项所述的方法的步骤。
CN202010579830.XA 2020-06-23 2020-06-23 终端定位方法、装置以及存储介质 Pending CN113840225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579830.XA CN113840225A (zh) 2020-06-23 2020-06-23 终端定位方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579830.XA CN113840225A (zh) 2020-06-23 2020-06-23 终端定位方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN113840225A true CN113840225A (zh) 2021-12-24

Family

ID=78963988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579830.XA Pending CN113840225A (zh) 2020-06-23 2020-06-23 终端定位方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN113840225A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024099084A1 (zh) * 2022-11-07 2024-05-16 大唐移动通信设备有限公司 一种数据处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101213855A (zh) * 2005-04-29 2008-07-02 艾利森电话股份有限公司 与基于卫星的定位有关的方法和装置
CN109688535A (zh) * 2018-12-13 2019-04-26 大唐软件技术股份有限公司 确定无线热点地理位置的方法、装置、电子设备及介质
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
US20200151613A1 (en) * 2018-11-09 2020-05-14 Lunit Inc. Method and apparatus for machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101213855A (zh) * 2005-04-29 2008-07-02 艾利森电话股份有限公司 与基于卫星的定位有关的方法和装置
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
US20200151613A1 (en) * 2018-11-09 2020-05-14 Lunit Inc. Method and apparatus for machine learning
CN109688535A (zh) * 2018-12-13 2019-04-26 大唐软件技术股份有限公司 确定无线热点地理位置的方法、装置、电子设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024099084A1 (zh) * 2022-11-07 2024-05-16 大唐移动通信设备有限公司 一种数据处理方法及装置

Similar Documents

Publication Publication Date Title
US10542519B2 (en) Terminal positioning method and network device
CN109982366B (zh) 基于大数据的目标价值区域分析方法、装置、设备及介质
CN110719605B (zh) 一种基于5g技术的网速检测***
CN106658399B (zh) 一种基于手机用户位置指纹进行手机位置定位的方法
CN109996168B (zh) 一种获取终端位置的方法及装置
CN111327450B (zh) 一种质差原因的确定方法、装置、设备及介质
US20190200318A1 (en) Supporting an update of stored information
US20230037992A1 (en) GEOLOCATING MINIMIZATION OF DRIVE TEST (MDT) MEASUREMENT REPORTS (MRs) WITH MISSING SATELLITE NAVIGATION SYSTEM COORDINATES
CN111372183B (zh) 一种识别质差终端的方法、装置、设备及存储介质
CN110493720B (zh) 终端的定位方法、装置及存储介质
CN112506972B (zh) 用户常驻区域定位方法、装置、电子设备以及存储介质
CN102685671A (zh) 一种mdt测量结果上报和上报指示方法及装置
CN105376089A (zh) 一种网络规划方法及装置
CN103686818A (zh) 一种仿真测试方法及设备
CN111586740A (zh) 最小化路测技术配置方法和基站
CN102457894A (zh) 小区切换方法、测量方法、设备和***
CN109996270B (zh) 网络覆盖分析方法、装置、设备及介质
CN113840225A (zh) 终端定位方法、装置以及存储介质
CN113645625A (zh) 伪基站定位方法、装置、电子设备和可读介质
CN113660687A (zh) 网络差小区处理方法、装置、设备及存储介质
CN113052308B (zh) 训练目标小区识别模型的方法及目标小区识别方法
EP3232719B1 (en) Methods, apparatuses, system and computer-readable storage medium for processing information used for positioning
CN108632740B (zh) 用户设备的定位方法和装置
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
WO2023018943A1 (en) Determining geolocation of devices in a communication 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