一种基于LTE信令数据的轨迹跟踪方法与流程

本发明属于计算机应用技术领域，涉及一种基于LTE信令数据的轨迹跟踪方法。

背景技术：

随着基于位置的服务正在变成每天生活必须的部分，准确识别用户的位置是一个重要的问题。

当前一些主流的定位方法包括GPS，基站定位等。基于GPS辅助定位系统，由集成在移动台上的GPS接收机和网络中的GPS设备辅助实现对移动台的自动定位。利用GPS能够精确的提供移动用户的位置信息，但是在移动台内部集成GPS接收机存在体积过大，能耗过大的缺点。另一种方法是采用基站定位方法，比较常用的方式是基于到达时间(ToA)和基于到达角度(AoA)进行定位。基于到达时间(TOA)是通过TOA测量出基站和移动台之间的距离。移动台位于以基站为圆心，移动台与基站之间距离为半径的圆周上，确定移动台的二维位置坐标需要建立三个以上圆方程，三个圆的交点即为移动台位置。基于到达角度的定位方法(AoA)通过基站接收机天线阵列测量出移动电台发射波的到达角度，从而构成一条移动台指向基站的直线，通过两条或两条以上的直线的交点获得移动台的位置。AoA方法需要在基站处架设昂贵的高精度的智能天线阵列，设备比较复杂。通常是将到达时间(ToA)和到达角度(AoA)合并起来进行使用。同时由于城市内建筑比较多，信号受干扰较大，定位精度易受到环境影响。

技术实现要素：

针对现有技术中存在的问题，本发明提供了一种基于LTE信令数据的轨迹跟踪方法，该方法通过使用LTE信令数据对轨迹进行跟踪。该方法仅使用LTE信令数据中的TA值，通过隐式Markov模型进行道路匹配，确定目标位置，实现对移动目标轨迹的跟踪。

用户可以利用本技术提供的算法系统实现如下功能：简单快速的生成地图的数据；将道路的数据存入到数据库中；实时将车辆的信息导入到数据库中；对数据库中的数据进行计算得出移动目标的轨迹等。

本发明的技术方案：

一种基于LTE信令数据的轨迹跟踪方法，步骤如下：

第一步，数据处理

所述的数据包括LTE信令数据中的TA值及基站的物理ID(PCI)、地图数据和基站数据；

所述的地图数据包括目标区域的地图信息，目标区域的地图信息分为两部分：第一部分得到各个点的ID和地理坐标信息，每一个点是一条路段或多条路段的端点；第二部分得到路段的相关信息，路段的相关信息包括路段的ID、路段的长度和路段两个端点的ID；每一条路段的两个端点的信息由第一部分各个点的ID和地理坐标信息得到，一系列路段组成道路片段；

所述的基站数据包括基站位置和基站覆盖范围，由以下步骤获得：

1.1)根据车辆的GPS值和TA值，由公式(1)计算基站位置，该基站位置保证估价函数cost(pci)值最小，由模拟退火法得到估价函数cost(pci)最小值；

其中，cost(pci)估价函数；Point_pci代表基站位置，Point_i代表第i个车辆的GPS值(车辆的实际位置)；distance表示两点之间的欧几里得距离；n代表使用车辆GPS值的数量；TA_i为第i个车辆的TA值；

1.2)根据基站的物理ID变化，确定所有基站切换点，然后利用进入基站覆盖范围的基站切换点和离开基站覆盖范围的基站切换点得到基站覆盖范围；将进入基站覆盖范围的基站切换点和离开基站覆盖范围的基站切换点构成的最大角度作为基站覆盖范围；

第二步，对获取的LTE信令数据中的TA值进行处理，首先进行TA值过滤然后进行TA值的划分，TA值划分为普通TA值和特殊TA值，特殊的TA值在后面详细解释，除了特殊TA值都为普通的TA值；

2.1)对获得的TA值数据进行过滤，去除异常值

2.1.1)如果在同一个基站下仅有少量测量值，该TA值过滤掉，少量指的是数量小于5；

2.1.2)同一个基站下，连续两个点的TA值，分别记为TA₁和TA₂，若TA₁和TA₂差值大于设定的阈值，其中一个点是异常TA值，根据情况分析删除异常TA值，异常TA值即为包含噪声的TA数据，由于信号反射或外界环境造成的TA值比真实值偏大或偏小，阈值设为2；取TA₂之后的连续5个TA值，求出平均值记为TA_mean，若TA₂和TA_mean的差值大于阈值，则删除TA₂；否则删除TA₁；

2.2)对经过过滤去除异常值的TA值数据进行划分，分为普通TA值和特殊TA值，特殊TA值包括以下两种情况：

2.2.1)基站切换时，基站切换点有两个基站信息，选取两个基站对应的TA值对(TA₁,TA₂)作为TA数据，其中TA₁表示切换前的TA值，TA₂表示切换后的TA值；

2.2.2)同一基站下，对于连续变化的TA值，若TA值由大变小，则选取较小的TA值，反之，选取较大的TA值；

第三步，选取候选路段，将候选路段的中点作为车辆位置在道路上的匹配点

3.1)同一基站下，对于普通TA值，候选路段在普通TA值对应的候选区域内；所述的候选区域由半径(TA+1)*78m的弧、半径(TA-1)*78m的弧和对应基站覆盖范围组成的封闭区域构成，如图4所示；

3.2)同一个基站下，对于特殊TA值，若TA值由小变大，所述的候选区域由半径TA*78m的弧、半径(TA-1)*78m的弧和对应基站的覆盖范围组成的封闭区域构成，如图5所示；否则，候选区域由半径TA*78m的弧、半径(TA+1)*78m的弧和对应基站覆盖范围组成的封闭区域构成；

3.3)对于基站切换点，由于有两个基站信息，所以两个基站分别按照步骤3.1)所述方法构造的候选区域的交集即为基站切换点的候选区域，如图6所示；

第四步，通过地图数据和LTE信令数据，利用隐式Markov模型和维特比算法，计算一辆车在一定时间内的运动轨迹

4.1)通过一组LTE信令数据得到一辆车的TA值观测序列

O＝(o_n|n＝1，...，N)；

4.2)通过MongoDB数据库的二维空间索引搜索到车辆运动范围的地图信息G＝{r_k|k＝1,...,K}；其中，地图信息是一组表示道路片段的集合，道路片段代表M个点的折线，折线由一系列以经纬度表示的顶点v₁,...,v_m前后相互连接的线段组成，道路片段表示为s＝(s_m|m＝1,...,M)；

4.3)TA值观测序列O＝(o_n|n＝1,...,N)中的每一个TA值对应一个车辆位置，每个车辆位置在地图信息G＝{r_k|k＝1,...,K}上有一个或多个匹配点，给定一个位置x_i，计算车辆位置在s_j道路片段上匹配点其中，为s_j道路的中点；

4.4)利用隐式Markov模型，计算候选路段的车辆观测概率和转移概率，采用维特比算法得到一辆车在一定时间内的运动轨迹。

步骤4.4)所述的隐式Markov模型计算车辆观测概率和转移概率的具体步骤为：

4.4.1)计算每个观测的TA值对应的候选路段的观测概率，如公式2所示。

p(o＝o_i|s＝s_j)＝1 (2)

其中，p表示车辆的观测概率，o_i表示当前观测的TA值，s_j表示当前定位点候选路段集合中的弧段；

4.4.2)计算每一个候选路段到下一个候选路段的转移概率。由公式(3)计算候选路段s_i到候选路段s_j的转移概率τ_i,j，转移概率表示车辆从一个路段移动到另一个路段的可能性：

τ_i,j＝p(s_i→s_j)＝e^-d’ (3)

其中，d'＝d+c*cost，d为两个路段之间的最短距离，最短距离由车辆在s_i，s_j之间的最短路径获得，c为从候选路段s_i到候选路段s_j道路切换次数，cost代表道路切换惩罚，通常取50m，另外，在实践中，当d'很大的时候，τ_i,j接近于0，会造成精度损失，所以一般把d'除以参数β，β取100m。

对于i>1的情况，假设第i-1个定位点匹配到路段s_i-1上，从路段s_i-1到路段s_i的移动方向为Angle_i，从路段s_i移动到路段s_j的运动方向为Angle_j，α为两个移动方向的夹角，即α＝|Angle_j-Angle_i|，α∈[0,π]，方向因子为ρ：

ρ＝1+λ(2sigmoid(π-2α)-1) (4)

其中，

p'(s_i→s_j)＝τ_i,j*ρ (5)

其中，p'为最终的转移概率，τ_i,j为公式(3)求出的转移概率，ρ为公式(4)求出的方向因子。

从公式(4)中得出2sigmoid(π-2α)-1在[-1，1]范围内，当α小于π时是正相关的，当α大于π时是负相关的；参数λ表示移动方向夹角为α的概率，其值被设为第i个车辆位置匹配到路段s_i上的累计概率，如果λ足够大接近于1，则方向信息对转换概率影响较大，反之亦然。

4.4.3)利用维特比回溯算法，根据公式(6)得到一系列概率矢量矩阵，在最后车辆位置的概率矢量矩阵中找到最大的概率并执行回溯算法得到一辆车在一定时间内的运动轨迹；

其中，p(s_N→s_N+1)＝1

第五步，对第四步的输出结果进行后处理，补齐第四步中输出轨迹中缺失的路段，将后处理的结果作为最终结果输出。

所述的补齐缺失路段具体方法为：

在车速较快，路段长度较短的情况下，在较短时间内可能会经过多条路段，道路补齐是为了补齐中间缺失的路段，保证输出的轨迹连续。具体方法是扫描第四步中输出的轨迹，如果存在匹配的两个连续弧段并不邻接，则通过两弧段之间的最短路径进行补齐。

本系统由LTE信令数据，Openstreetmap地图信息，基站坐标与基站覆盖角度，过滤算法，TA值划分，隐式Markov模型，后处理，数据库组成；其中OpenStreetMap是一个网上地图协作计划，负责提供系统的地图数据，是整个系统数据的基础。Openstreetmap的地图文件通过点标记出地图的形状，并且点和点之间的连线概括出地图的信息。系统将地图文件进行分析得出点和线段的信息，将这些信息存储到系统的数据库中；基于观测到的TA值特点，提出了过滤掉异常值方法；TA值划分包括普通TA值和特殊TA值；隐式Markov模型由Java实现，维特比算法是通过动态规划的思想计算出概率最高的车辆行驶轨迹；后处理将缺失的道路补齐，最终得到车辆行驶的最终轨迹。

数据库通过三个数据信息，以供服务器查询使用。第一个表是地图点的信息，第二个表是地图线段的信息，第三个表是车辆信息。数据库使用的是MongoDB数据库，此数据库对地图数据可以更快的进行处理。MongoDB数据库二维空间索引的设计在处理基于位置的查询时有更好的效率。数据库中以JSON的格式存储点的信息，key值是点的x，y坐标，即对应点的经纬度，而value值存储地理位置坐标具体的结果。当把坐标点作为二维空间索引时，可以在数据库中通过相应的语句查找一个点一定范围之内的所有的点，便于查找一个点的候选路段集合。

本发明的有益效果：本发明使用LTE的信令数据，探讨移动定位有如下优点：1)低成本：LTE信令数据是通信标准所要求并现存于已有系统，不会对网络基础设施或移动设备产生额外的费用。与此相反，GPS数据带有一个显著的能量成本。2)高覆盖：LTE信令数据覆盖范围并不限于任何特定的地理区域。只要在基站覆盖到的区域，可以从几乎任何地方收集信息。3)应用：在不远的未来，所有的汽车都将配备LTE芯片。基本上，可以跟踪道路上行驶的所有车辆。

附图说明

图1是本方法的系统整体结构示意图。

图2是TA值的变化特点图。

图3展示了基站的覆盖范围。

图4是普通TA值的候选路段选取示意图。

图5是TA变化后候选路段的选取示意图。

图6是基站切换后候选路段的选取示意图。

图7是利用方向信息计算转换概率。

图8(a)本方法的精度CDF图。

图8(b)本方法的召回率CDF图。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

图1为系统架构图，系统的输入为LTE信令数据(包括时间，TA和基站ID)、地图数据(由OpenStreetMap提供)和基站坐标与基站覆盖范围。系统在接收输入数据后首先进行预处理阶段，将带有噪声的异常点过滤掉并且将定位点根据TA值进行划分。之后进图地图匹配阶段，将各个定位点的候选弧段求出来之后，利用隐式Markov模型和基于动态规划的维特比算法得到一条概率最大的行驶轨迹。之后对输出的轨迹进行后处理，将输出轨迹中断开的弧段进行道路补齐，最后将后处理完成的轨迹作为最终轨迹进行输出。

图2为TA值随时间变化的特点。图中被标记的点(实心圆点)代表异常的TA值。

图3为利用基站切换点得到基站的覆盖范围。首先，收集用户进入基站的所有位置，以及离开该基站的所有位置，图中的BS标记即为基站位置。然后利用进入基站天线覆盖范围的点和离开基站天线覆盖范围的点和基站位置得到基站覆盖范围；把进入基站的点和离开基站点和基站构成的最大角度作为估计基站的覆盖角度。基站的覆盖范围角度为[θ_start,θ_end]。

图4为普通TA值的候选路段选取示意图，给定一个TA值，候选区域为半径(TA+1)*78m和半径(TA-1)*78m的弧封闭的区域。图中s₁-s₆为候选路段，s₇,s₈,s₉不是。

图5为根据TA变化进行TA值的选取。用户是在PCI＝44的基站覆盖区域内。在Time＝1时，TA值是3，在Time＝2时，TA值是2。把在TA值为2和3分别对应的扇形的交叉部分路段作为候选路段，即s₁-s₄。

图6为根据基站切换进行TA值的选取。在Time＝1时，用户是在PCI＝24基站覆盖范围内，对应的TA值为3。在Time＝2时，用户是在PCI＝45的基站范围内，对应的TA值为2。在重叠区域的路段和邻接路段为候选路段。s₁-s₆为候选路段。

图7为利用方向信息计算转换概率。图中路段s_i-1和路段s_i分别为第(i-1)个车辆位置和第i个车辆位置的匹配路段。对于第(i+1)个车辆位置，有三个候选路段s₁，s₂，s₃，分别对应的移动角度为α₁,α₂,α₃，从图中看到α₁,α₂小于90度，α₃大于90度。当计算转换概率时，方向信息正相关p(s_i→s₁)和p(s_i→s₂)，方向信息负相关p(s_i→s₃)。其中，p(s_i→s₁)代表从路段s_i到路段s₁的转移概率，p(s_i→s₂)代表从路段s_i到路段s₂的转移概率，p(s_i→s₃)代表从路段s_i到s₃的转移概率。

图8是本方法性能评估图。为了评估算法的准确性，使用准确率，召回率评估本算法。

其中，pre表示准确率，X表示使用本方法输出道路段的总长度

其中，R表示召回率，G表示车辆行驶的真实轨迹的长度

其中，公式(7)和公式(8)中的M表示正确匹配的道路段的总长度，通过最长公共子序列的方法计算出使用本方法输出的道路段序列和车辆行驶的真实轨迹的道路段序列的最长的公共序列长度。

图8中，展示了本方法的精确率和召回率的CDF图，同时本方法还和每隔30s和每隔1分钟进行取样的GPS进行了对比。本方法实现了平均精度达到95％，和每隔1分钟取样一次GPS的精度相当，略低于每隔30s取样一次的匹配精度，本方法的召回率达到92％，高于每隔1分钟取样一次的GPS召回率。