基于位置指纹匹配的蜂窝网络无线定位方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112423333A(43)申请公布日2021.02.26(21)申请号202011296069.5(22)申请日2020.11.18(71)申请人上海大学地址200444上海市宝山区上大路99号(72)发明人向晨路张舜卿徐树公(74)专利代理机构上海交达专利事务所31201代理人王毓理王锡麟(51)Int.Cl.H04W24/08(2009.01)H04W24/10(2009.01)H04W64/00(2009.01)G06K9/62(2006.01)权利要求书2页说明书3页附图2页(54)发明名称基于位置指纹匹配的蜂窝网络无线定位方法(57)摘要一种基于位置指纹匹配的蜂窝网络无线定位方法，根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果。本发明基于真实采集的用户上报测量报告，结合庞大的训练数据集和机器学习算法，实现中位数误差为100m左右的高精度的蜂窝网络定位。CN112423333ACN112423333A权利要求书1/2页1.一种基于位置指纹匹配的蜂窝网络无线定位方法，其特征在于，根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果；所述的真实采集的用户上报测量报告包括：数据上报时间(mrTime)、用户(IDUeId)、服务小区标识(svrCGI)、服务小区信号强度(svrRSRP)、邻区小区(IDCellId)、邻区信号强度(rsrp)。2.根据权利要求1所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，具体包括：步骤1、根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，具体为：待测用户的svrCGI决定测试用户所在小区，在训练数据集中查找是否存在训练用户有相同的svrCGI，当存在时说明训练用户和测试用户处于相同小区，则进行后续步骤完成定位任务；否则该测试用户不能实现精准定位，放弃本次测试输出；步骤2、构造测试向量和训练向量集，具体为：当当前测试用户存在相同小区的训练用户，则统计该小区的所有邻站CellId，并按照从小到大的顺序排列，测试用户和每个训练用户CellId所对应的rsrp按照CellId的顺序对应重排，生成对应含位置标签的训练向量集和不含位置标签的测试向量；步骤3、机器学习拟合算法预测坐标值，具体为：利用机器学习算法，根据生成的训练向量集和测试向量估计得到测试向量的预测位置坐标，步骤4、计算测试的置信度并滤除不可靠的测试结果，具体为：在训练集中查找与待测位置svrCGI相似的数据，作为含真实位置坐标的验证数据，将预测位置结果与验证数据标签进行比对，得到测试的置信度，然后进行不可靠结果滤除，步骤5、利用拟合算法进行融合，将输出结果进行加权求和得到预测结果，即bx+ay/a+b，其中：拟合算法得到的平均定位误差为a，单次估计结果为x，算法B的定位误差为b，单次估计结果为y。3.根据权利要求2所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，在生成训练向量和测试向量过程中，当邻站信息为空的部分，则rsrp用-141dBm填充向量。4.根据权利要求2所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的机器学习算法，具体包括：步骤3.1、自定义RSRP与距离之间的关系来用于KNN算法中向量的距离刻画；步骤3.2、当测试数据邻站数量超过3时，缩小候选人的选择范围；反之则扩大候选人范围；步骤3.3、采用反函数进行权重配置进行不同距离的样本的权重配置，当训练样本与测试样本的距离越小，该距离值权重越大。5.根据权利要求4所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，所述的距离刻画，具体为：步骤3.1.1、估计小区基站的位置：当训练数据的信号强度大于-50dBm则认为该用户在2CN112423333A权利要求书2/2页基站附近，统计每个小区内所有这样的用户，形成基站附近用户集合，通过加权平均该用户集合的位置坐标，得到估计的小区基站位置坐标；步骤3.1.2、计算用户与基站之间的距离：通过欧式距离的方式计算用户与基站之间的距离，并且与此时用户接收到的信号强度进行匹配；步骤3.1.3、通过多项式拟合方式