CN116193571A - 基于mro与dpi数据关联的移动网络用户定位方法及*** - Google Patents
基于mro与dpi数据关联的移动网络用户定位方法及*** Download PDFInfo
- Publication number
- CN116193571A CN116193571A CN202310024173.6A CN202310024173A CN116193571A CN 116193571 A CN116193571 A CN 116193571A CN 202310024173 A CN202310024173 A CN 202310024173A CN 116193571 A CN116193571 A CN 116193571A
- Authority
- CN
- China
- Prior art keywords
- user
- positioning
- mro
- data
- longitude
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011664 signaling Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/001—Synchronization between nodes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了基于MRO与DPI数据关联的移动网络用户定位方法及***,属于移动网络定位技术领域,本发明要解决的技术问题为如何降低建设成本的同时,提高用户位置定位的精准度,技术方案为:该方法具体如下:通过用户面DPI数据获取用户经纬度信息即OTT定位,利用OTT定位提取的用户经纬度建立指纹库;利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;基于MR_TA+AoA用户定位或基于MR_TDOA三点定位:利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;基于指纹库的MRO定位结果调优:将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度。该***包括指纹库建立单元、定位单元及调优单元。
Description
技术领域
本发明涉及移动网络定位技术领域,具体地说是一种基于MRO与DPI数据关联的移动网络用户定位方法及***。
背景技术
随着移动互联网的快速发展,用户位置定位需求越来越多样化:在用户安全方面如老人/儿童走失定位、森林消防员定位;在位置营销方面如精准广告投放、区域精准营销;在安全层面如用户轨迹跟踪,特殊用户电子围栏设置等多个领域均有需求。移动通信网络发展速度远远超过了桌面互联网。由于移动网络用户数量庞大,获得移动终端位置信息实现人、物等各种与位置相关的增值业务成为了互联网商业的热点。
移动用户定位技术依靠的网络通常分为3大类,卫星定位、WLAN定位、移动网络定位。卫星定位适用于室外场景,WLAN定位适用于室内场景,并且这两种方法需终端配合改造,实现复杂度和建设成本有一定的要求。而移动网络定位在室内外场景均适用,且随着网络的大规模建设,定位精准度也越来越高。
随着移动定位技术的发展,涌现出多种移动用户定位方案,如AGPS定位、TOA&TDOA定位、TA+AoA定位等。AGPS定位虽然精准度较高但是需要依赖GPS硬件模块支撑费用较高;TOA&TDOA定位通过测量时间差获得移动台的位置,需要在基站内安装额外硬件如测量单元等。
通过对国内外移动网络定位技术的比较,以及移动用户定位相关技术背景的调研学习。发现在无线网侧MRO(即测量报告)中,移动台和基站之间的信号传播会携带传播时间、信号强度、方向角度等数据信息,这些信息综合利用可以实现位置定位。但MRO数据无标识唯一的用户信息无法试别用户。通过分析DPI数据,发现DPI用户面数据如S1-U/N3接口中含用户经纬度,其来源为WEB/APP上报的位置信息。DPI数据中的用户经纬度在室内精度可达50m左右,而室外精度可达5-10m甚至更低,但DPI数据中的经纬度仅用户在使用某些WEB/APP才能获取,无法针对全网用户实现位置定位。
故如何降低建设成本的同时,提高用户位置定位的精准度是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于MRO与DPI数据关联的移动网络用户定位方法及***,来解决如何降低建设成本的同时,提高用户位置定位的精准度的问题。
本发明的技术任务是按以下方式实现的,一种基于MRO与DPI数据关联的移动网络用户定位方法,该方法具体如下:
建立指纹库:通过用户面DPI数据获取用户经纬度信息即OTT定位(经纬度信息携带比率约为1-3%),利用OTT定位提取的用户经纬度建立指纹库;同时利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
基于MR_TA+AoA用户定位或基于MR_TDOA三点定位:利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
基于指纹库的MRO定位结果调优:将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度,达到全网用户位置精准定位的结果目标。
作为优选,建立指纹库具体如下:
依赖DPI数据获取用户经纬度:对接现网信令监测***或采集用户S1-U接口,从HTTP协议话单中获取用户经纬度信息;
DPI数据和MR0数据关联:利用信令面DPI数据实现MRO数据的用户信息回填,再将回填后的MRO与S1-U接口关联,得到用户在任一经纬度下的网络覆盖电平值和质量值,与基站的距离及方位角等信息;
基于DPI_OTT数据建立指纹库:使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型。
更优地,依赖DPI数据获取用户经纬度具体如下:
用户在使用某些APP进行数据业务时会通过S1-U接口通过HTTP协议与服务端进行信息交互,部分信息中含用户真实经纬度信息;
通过DPI技术对网络数据进行采集解析,即可获得全网一定比例用户的经纬度信息。
更优地,使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型具体如下:
将OTT方式获取到的用户经纬度数据打点分布在10*10的栅格内;
对服务小区ID、服务小区RSRP/RSRQ、Tadv、AoA,邻小区ID及邻小区RSRP/RSRQ等信息进行特征提取,作为机器学习模型的特征依据;
利用现网大量的OTT经纬度上报数据,进行机器学习模型指纹特征训练;
根据特征分析的结果,按照栅格、主小区及邻区的特征标识生成指纹库;
建立指纹库更新机制:通过OTT数据的更新进行不间断的机器学习,以提高指纹库的准确性。
作为优选,基于MR_TA+AoA用户定位具体如下:
MRO数据中已有TA+AoA的参数信息,综合AoA和TA,基于单小区进行UE定位;其中,TA+AoA定位原理的公式如下:
其中,TA表示时间提前量;c表示光速,c的值为3.0*108m/s;
1Ts对应的时间提前量距离为:(3*108*1/(15000*2048))/2=4.89m,其含义为距离=传播速度(光速)*1Ts/2(上下行路径和);MR上报TA值以16TS为单位,1TADV=16TS=16*4.89=78.12m;终端UE到天线的距离d=78.12*TA,单位米;
基于TA或基于路损计算的距离是UE到天线口距离,是个三维距离,存在仰角,正常情况下UE高度低于eNB高度,而用户为经纬度变化为2维变化,计算UE到基站的距离具体为:
通过工参获取基站经纬度信息,经过换算即可得到终端用户的经纬度(X0,Y0)。
作为优选,基于MR_TDOA三点定位具体如下:
三点定位算法特点要求“终端到基站距离”计算的有效基站数为3个提取MR数据中的主服务小区电平值以及至少两个邻区的电平值,利用无线传播模型算法,分别获取终端至主服务小区的距离d1以及距离邻区基站的距离d2&d3;
利用4G路径损耗计算的经验公式获取终端用户距离基站和邻区基站的位置,4G路径损耗计算的经验公式为:
LCOST231-Hata=46.3+33.9*log10(fc)-13.82*log10(hb)+(44.9-6.55*log10(h)*log10(d)+CM
其中,fc为无线信号频率1500-2000MHZ,单位MHz;cM为覆盖场景校正因子,cover_class覆盖场景为农村、乡镇、一般城区、核心城区,cM分别取值0/3/6;h为终端与基站天线之间高度差,默认等于工参中基站高度(发送天线高度),单位m;d为基站天线和移动台天线的距离(天线覆盖距离),单位km;
利用最小二乘法结合基站经纬度信息,经过换算即可得到终端用户的经纬度(X1,Y1)。
作为优选,基于指纹库的MRO定位结果调优具体如下:
依据MRO数据的TA+AoA定位会TDOA三点定位算法受多径传播及覆盖场景干扰因素的影响造成用户定位经纬度准确性在50-1000m不等,将OTT定位指纹库模型得到有效利用,通过最小化欧式距离算法将MRO定位结果对应到指纹库栅格,查找特征信息与当前MRO定位结果中包含的特征信息最接近的栅格,最终以此栅格的位置作为对应终端用户的位置;
同时将不同覆盖场景(城市/农村/高校/写字楼……等)下的TA+AOA或TDOA三点定位结果数据,不间断输入OTT指纹库构建机器学习模型,计算出不同覆盖场景下的MR定位结果偏移参数,以便使MR定位结果精准度更进一步提高。
一种基于MRO与DPI数据关联的移动网络用户定位***,该***包括,
指纹库建立单元,用于通过用户面DPI数据获取用户经纬度即OTT定位(经纬度信息携带比率约为1-3%),将OTT定位提取的用户经纬度进行指纹库建立,并利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
定位单元,用于利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
调优单元,用于将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度,达到全网用户位置精准定位的结果目标。
一种电子设备,包括:存储器和至少一个处理器;
其中,所述存储器上存储有计算机程序;
所述至少一个处理器执行所述存储器存储的计算机程序,使得所述至少一个处理器执行如上述的基于MRO与DPI数据关联的移动网络用户定位方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序可被处理器执行以实现如上述的基于MRO与DPI数据关联的移动网络用户定位方法。
本发明的基于MRO与DPI数据关联的移动网络用户定位方法及***具有以下优点:
(一)本发明通过将无线MRO数据与核心网DPI数据紧密结合,实现MRO数据的用户身份回填,同时综合采用多种用户位置定位方法,对定位结果进行科学的调优以降低用户位置偏移量,输出精准用户经纬度信息;
(二)本发明将MRO定位结果与DPI数据有效结合,综合采用OTT定位、TA+AoA定位、TDOA三点定位等多种定位方法,以更节约成本更高效的方法实现全网用户位置定位;
(三)本发明将MRO数据与DPI数据有效结合,将DPI数据中基于互联网提供的定位服务(即OTT定位),以及无线MRO数据的定位TA+AOA定位或TDOA定位多方融合,形成一套高精度、低成本的用户位置定位方法;
(四)本发明通过将MRO数据与DPI数据有效结合,在降低建设成本的同时,提高用户位置定位的精准度;
(五)本发明基于MRO与DPI数据关联的用户定位方案优势在于:
①基于DPI数据的OTT定位,虽精确度高但需用户在使用某些APP时才能实现用户定位,不能完全满足LBS的用户定位需求,但若将OTT定位数据为基础建立指纹库,然后与MRO的定位结果(TA+AOA/TDOA三点定位)关联则可有效解决定位覆盖率低的问题,同时定位精度也有效提高;
②原则上不需要增加硬件配置,不影响生产***且建设成本低,MRO数据由基站开启测量配置,上报测量报告至NMS管理***,MRO从NMS***同步即可;DPI数据由现网信令监测***同步数据,原则上无需新增采集节点。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于MRO与DPI数据关联的移动网络用户定位方法的流程框图;
附图2为DPI数据和MR0数据关联的示意图;
附图3为基于DPI_OTT数据的指纹库建立的示意图;
附图4为TA+AoA定位原理图;
附图5为计算UE到基站的距离示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于MRO与DPI数据关联的移动网络用户定位方法及***作以下详细地说明。
实施例1:
如附图1所示,本实施例提供了一种基于MRO与DPI数据关联的移动网络用户定位方法,该方法具体如下:
S1、建立指纹库:通过用户面DPI数据获取用户经纬度信息即OTT定位(经纬度信息携带比率约为1-3%),利用OTT定位提取的用户经纬度建立指纹库;同时利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
S2、基于MR_TA+AoA用户定位或基于MR_TDOA三点定位:利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
S3、基于指纹库的MRO定位结果调优:将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度,达到全网用户位置精准定位的结果目标。
本实施例步骤S2中的建立指纹库具体如下:
S201、依赖DPI数据获取用户经纬度:对接现网信令监测***或采集用户S1-U接口,从HTTP协议话单中获取用户经纬度信息;
S202、DPI数据和MR0数据关联:如附图2所示,MRO本身不携带用户标识,利用S1-MME接口为MRO回填用户身份信息。回填用户身份信息后的MRO与S1-U接口关联,得到用户在某经纬度下的网络覆盖电平值和质量值,与基站的距离及方位角等信息;
S203、基于DPI_OTT数据建立指纹库:使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型。
其中,现网信令监测***获取用户的经纬度位置信息获取过程具体如下:
从下行2000K消息中提取位置信息:提取PAYLOAD中的HTML格式的经纬度以及PAYLOAD中的的文本格式的经纬度;
从上行消息中提取位置信息:提取URL中的经纬度信息;
将从下行2000K消息中提取位置信息和从上行消息中提取位置信息进行坐标系转换,进而确定用户的经纬度位置信息。
本实施例步骤S201中的依赖DPI数据获取用户经纬度具体如下:
S20101、用户在使用某些APP进行数据业务时会通过S1-U接口通过HTTP协议与服务端进行信息交互,部分信息中含用户真实经纬度信息;
S20102、通过DPI技术对网络数据进行采集解析,即可获得全网一定比例用户的经纬度信息。
如附图3所示,本实施例步骤S203中的使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型具体如下:
S20301、将OTT方式获取到的用户经纬度数据打点分布在10*10的栅格内;
S20302、基于服务小区ID、服务小区RSRP/RSRQ、Tadv、AoA,邻小区ID及邻小区RSRP/RSRQ等信息进行特征提取,作为机器学习模型的特征依据;
S20303、利用现网大量的OTT经纬度上报数据,进行机器学习模型指纹特征训练;
S20304、根据特征分析的结果,按照栅格、主小区及邻区的特征标识生成指纹库;
S20305、建立指纹库更新机制:通过OTT数据的更新进行不间断的机器学习,以提高指纹库的准确性。
本实施例步骤S2中的基于MR_TA+AoA用户定位具体如下:
MRO数据中已有TA+AoA的参数信息,综合AoA和TA,基于单小区进行UE定位;其中,如附图4所示,TA+AoA定位原理的公式如下:
其中,TA表示时间提前量;c表示光速,c的值为3.0*108m/s;
1Ts对应的时间提前量距离为:(3*108*1/(15000*2048))/2=4.89m,其含义为距离=传播速度(光速)*1Ts/2(上下行路径和);MR上报TA值以16TS为单位,1TADV=16TS=16*4.89=78.12m;终端UE到天线的距离d=78.12*TA,单位米;
基于TA或基于路损计算的距离是UE到天线口距离,是个三维距离,存在仰角,正常情况下UE高度低于eNB高度,而用户为经纬度变化为2维变化,如附图5所示,计算UE到基站的距离具体为:
通过工参获取基站经纬度信息,经过换算即可得到终端用户的经纬度(X0,Y0)。
本实施例步骤S2中的基于MR_TDOA三点定位具体如下:
三点定位算法特点要求“终端到基站距离”计算的有效基站数为3个;提取MR数据中的主服务小区电平值以及至少两个邻区的电平值,利用无线传播模型算法,分别获取终端至主服务小区的距离d1以及距离邻区基站的距离d2&d3;
利用4G路径损耗计算的经验公式获取终端用户距离基站和邻区基站的位置,4G路径损耗计算的经验公式为:
LCOST231-Hata=46.3+33.9*log10(fc)-13.82*log10(hb)+(44.9-6.55*log10(h)*log10(d)+CM
其中,fc为无线信号频率1500-2000MHZ,单位MHz;cM为覆盖场景校正因子,cover_class覆盖场景为农村、乡镇、一般城区、核心城区,cM分别取值0/3/6;h为终端与基站天线之间高度差,默认等于工参中基站高度(发送天线高度),单位m;d为基站天线和移动台天线的距离(天线覆盖距离),单位km;
利用最小二乘法结合基站经纬度信息,经过换算即可得到终端用户的经纬度(X1,Y1)。
本实施例步骤S3中的基于指纹库的MRO定位结果调优具体如下:
依据MRO数据的TA+AoA定位会TDOA三点定位算法受多径传播及覆盖场景干扰因素的影响造成用户定位经纬度准确性在50-1000m不等,将OTT定位指纹库模型得到有效利用,通过最小化欧式距离算法将MRO定位结果对应到指纹库栅格,查找特征信息与当前MRO定位结果中包含的特征信息最接近的栅格,最终以此栅格的位置作为对应终端用户的位置;
同时将不同覆盖场景(城市/农村/高校/写字楼……等)下的TA+AOA或TDOA三点定位结果数据,不间断输入OTT指纹库构建机器学习模型,计算出不同覆盖场景下的MR定位结果偏移参数,以便使MR定位结果精准度更进一步提高。
实施例2:
本实施例提供了一种基于MRO与DPI数据关联的移动网络用户定位***,该***包括,
指纹库建立单元,用于通过用户面DPI数据获取用户经纬度即OTT定位(经纬度信息携带比率约为1-3%),将OTT定位提取的用户经纬度进行指纹库建立,并利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
定位单元,用于利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
调优单元,用于将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度,达到全网用户位置精准定位的结果目标。
实施例3:
本实施例还提供了一种电子设备,包括:存储器和处理器;
其中,存储器存储计算机执行指令;
处理器执行所述存储器存储的计算机执行指令,使得处理器执行本发明任一实施例中的基于MRO与DPI数据关联的移动网络用户定位方法。
处理器可以是中央处理单元(CPU),还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通过处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于储存计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现电子设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器还可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,只能存储卡(SMC),安全数字(SD)卡,闪存卡、至少一个磁盘存储期间、闪存器件、或其他易失性固态存储器件。
实施例4:
本实施例还提供了一种计算机可读存储介质,其中存储有多条指令,指令由处理器加载,使处理器执行本发明任一实施例中的基于MRO与DPI数据关联的移动网络用户定位方法。具体地,可以提供配有存储介质的***或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RYM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,该方法具体如下:
建立指纹库:通过用户面DPI数据获取用户经纬度信息即OTT定位,利用OTT定位提取的用户经纬度建立指纹库;同时利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
基于MR_TA+AoA用户定位或基于MR_TDOA三点定位:利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
基于指纹库的MRO定位结果调优:将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度。
2.根据权利要求1所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,建立指纹库具体如下:
依赖DPI数据获取用户经纬度:对接现网信令监测***或采集用户S1-U接口,从HTTP协议话单中获取用户经纬度信息;
DPI数据和MR0数据关联:MRO本身不携带用户标识,利用S1-MME接口为MRO回填用户身份信息;回填用户身份信息后的MRO与S1-U接口关联,得到用户在任一经纬度下的网络覆盖电平值和质量值,与基站的距离及方位角的信息;
基于DPI_OTT数据建立指纹库:使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型。
3.根据权利要求2所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,依赖DPI数据获取用户经纬度具体如下:
用户在使用APP进行数据业务时通过S1-U接口通过HTTP协议与服务端进行信息交互,部分信息中含用户真实经纬度信息;
通过DPI技术对网络数据进行采集解析,即可获得全网对应比例用户的经纬度信息。
4.根据权利要求2或3所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,使用有监督的机器学习模型,以OTT用户定位经纬度数据建立指纹特征模型具体如下:
将OTT方式获取到的用户经纬度数据打点分布在10*10的栅格内;
基于服务小区ID、服务小区RSRP/RSRQ、Tadv、AoA、邻小区ID及邻小区RSRP/RSRQ信息进行特征提取,作为机器学习模型的特征依据;
利用现网OTT经纬度上报数据,进行机器学习模型指纹特征训练;
根据特征分析的结果,按照栅格、主小区及邻区的特征标识生成指纹库;
建立指纹库更新机制:通过OTT数据的更新进行不间断的机器学习,以提高指纹库的准确性。
5.根据权利要求1所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,基于MR_TA+AoA用户定位具体如下:
MRO数据中已有TA+AoA的参数信息,综合AoA和TA,基于单小区进行UE定位;其中,TA+AoA定位原理的公式如下:
其中,TA表示时间提前量;c表示光速,c的值为3.0*108m/s;
1Ts对应的时间提前量距离为:(3*108*1/(15000*2048))/2=4.89m,其含义为距离=传播速度(光速)*1Ts/2;MR上报TA值以16TS为单位,1TADV=16TS=16*4.89=78.12m;终端UE到天线的距离d=78.12*TA,单位米;
基于TA或基于路损计算的距离是UE到天线口距离,是个三维距离,存在仰角,正常情况下UE高度低于eNB高度,而用户为经纬度变化为2维变化,计算UE到基站的距离具体为:
通过工参获取基站经纬度信息,经过换算即可得到终端用户的经纬度(X0,Y0)。
6.根据权利要求1所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,基于MR_TDOA三点定位具体如下:
提取MR数据中的主服务小区电平值以及至少两个邻区的电平值,利用无线传播模型算法,分别获取终端至主服务小区的距离d1以及距离邻区基站的距离d2&d3;
利用4G路径损耗计算的经验公式获取终端用户距离基站和邻区基站的位置,4G路径损耗计算的经验公式为:
LCOST231-Hata=46.3+33.9*log10(fc)-13.82*log10(hb)+(44.9-6.55*log10(h)*log10(d)+CM
其中,fc为无线信号频率1500-2000MHZ,单位MHz;cM为覆盖场景校正因子,cover_class覆盖场景为农村、乡镇、一般城区、核心城区,cM分别取值0/3/6;h为终端与基站天线之间高度差,默认等于工参中基站高度,单位m;d为基站天线和移动台天线的距离,单位km;
利用最小二乘法结合基站经纬度信息,经过换算即可得到终端用户的经纬度(X1,Y1)。
7.根据权利要求1所述的基于MRO与DPI数据关联的移动网络用户定位方法,其特征在于,基于指纹库的MRO定位结果调优具体如下:
通过最小化欧式距离算法将MRO定位结果对应到指纹库栅格,查找特征信息与当前MRO定位结果中包含的特征信息最接近的栅格,最终以此栅格的位置作为对应终端用户的位置;
同时将不同覆盖场景下的TA+AOA或TDOA三点定位结果数据,不间断输入OTT指纹库构建机器学习模型,计算出不同覆盖场景下的MR定位结果偏移参数。
8.一种基于MRO与DPI数据关联的移动网络用户定位***,其特征在于,该***包括,
指纹库建立单元,用于通过用户面DPI数据获取用户经纬度即OTT定位,将OTT定位提取的用户经纬度进行指纹库建立,并利用信令面DPI数据实现MRO数据的用户信息回填,最终建立MRO数据与OTT指纹库的关联关系;
定位单元,用于利用MRO数据中的参数信息,通过TA+AoA或TDOA三点定位方法定位用户经纬度;
调优单元,用于将MRO定位结果与OTT指纹库有效关联,进行MRO定位结果的优化调优,提高MRO定位结果的精准度。
9.一种电子设备,其特征在于,包括:存储器和至少一个处理器;
其中,所述存储器上存储有计算机程序;
所述至少一个处理器执行所述存储器存储的计算机程序,使得所述至少一个处理器执行如权利要求1至7任一项所述的基于MRO与DPI数据关联的移动网络用户定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序可被处理器执行以实现如权利要求1至7中任一项所述的基于MRO与DPI数据关联的移动网络用户定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024173.6A CN116193571A (zh) | 2023-01-09 | 2023-01-09 | 基于mro与dpi数据关联的移动网络用户定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024173.6A CN116193571A (zh) | 2023-01-09 | 2023-01-09 | 基于mro与dpi数据关联的移动网络用户定位方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116193571A true CN116193571A (zh) | 2023-05-30 |
Family
ID=86443656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310024173.6A Pending CN116193571A (zh) | 2023-01-09 | 2023-01-09 | 基于mro与dpi数据关联的移动网络用户定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116193571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528771A (zh) * | 2023-11-27 | 2024-02-06 | 深圳市名通科技股份有限公司 | 一种5g用户位置定位方法 |
-
2023
- 2023-01-09 CN CN202310024173.6A patent/CN116193571A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528771A (zh) * | 2023-11-27 | 2024-02-06 | 深圳市名通科技股份有限公司 | 一种5g用户位置定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103068035B (zh) | 一种无线网络定位方法、装置及*** | |
CN110166943B (zh) | 终端位置信息的处理方法 | |
Fascista et al. | A localization algorithm based on V2I communications and AOA estimation | |
Pei et al. | Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning | |
Wirola et al. | Mass-market requirements for indoor positioning and indoor navigation | |
US9426044B2 (en) | Radio access network geographic information system with multiple format | |
US8478280B1 (en) | Minimum coverage area of wireless base station determination | |
CN105611568A (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 | |
Forghani et al. | From cellular positioning data to trajectories: Steps towards a more accurate mobility exploration | |
CN106162872A (zh) | 一种室内定位***、方法和基于其的信息推送***、方法 | |
US8433250B2 (en) | Estimating whether a wireless terminal is indoors using pattern classification | |
CN102985841A (zh) | 对添加到无线通信网络的无线收发机的位置的确定 | |
CN109936820B (zh) | 一种用户终端定位方法及装置 | |
CN103181218A (zh) | 管理***无线lan信号的方法及针对该方法的装置、ap、定位服务器和终端 | |
CN101895812B (zh) | 一种在蜂窝网络中的最匹配信号强度的定位方法 | |
CN102918899B (zh) | 用于定位pCell的数据库更新方法和设备 | |
US8193986B2 (en) | Method and system for enhancing a location server reference database through round-trip time (RTT) measurements | |
CN106358155B (zh) | 一种射频指纹数据库的建立方法及装置 | |
CN103404177B (zh) | 用于定位的节点和方法 | |
US20140228058A1 (en) | System for estimating position of base station and method of estimating position of base station by the same | |
CN102550051A (zh) | 用于其它蜂窝***的lte指纹识别定位参考 | |
CN116193571A (zh) | 基于mro与dpi数据关联的移动网络用户定位方法及*** | |
CN105848202A (zh) | Aoa和ta的校正处理方法及装置 | |
KR20200072206A (ko) | 가상 기준국의 최적화 정보를 이용하여 위성 위치 좌표의 보정 정보를 생성하는 장치 및 방법 | |
CN104883735A (zh) | 一种基于移动互联网的精准位置判断方法 |
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 |