一种基于机器学习的蜂窝网络中室内话务精确定位方法与流程

本发明属于定位技术领域，涉及一种蜂窝网络中室内话务的精确定位方法，尤其涉及一种基于机器学习的蜂窝网络中室内话务精确定位方法。

背景技术：

近年来，基于位置服务的需求越来越多，无线定位技术得到了广泛的研究。目前，随着蜂窝网移动通信系统的发展，可以利用用户附近基站的位置、用户设备(UE)信号的到达角(Angle of Arrival，AOA)、信号到达时间(Time of Arrival，TOA)、信号到达时间差(Time Difference of Arrival，TDOA)、接收强度(Received Signal Strength，RSS)等参数进行位置估算，获取UE的具体位置。

常见的蜂窝网定位技术包括，(1)GSM网络中的定位技术：小区识别(Cell-ID)、到达时间(TOA)、增强观测时间差分(Enhanced Offset Time Division，E-OTD)、辅助-全球定位系统(Assist-Global Positioning System，A-GPS)。(2)3G系统中的定位技术：Cell-ID+RTT(Round-Trip，往返时间)、OTDOA(Observed Time Difference of Arrival)、A-GPS以及混合定位方法。(3)LTE系统中的定位技术：增强小区(Enhanced Cell-ID，E-CID)、下行到达时间观测差(Observed Time Difference of Arrival，O-TDOA)和辅助-全球卫星导航定位系统(Assisted Global Navigation Satellite System，A-GNSS)。此外，使用智能天线的情况下，能够较准确的获得UE相对与基站的方位角，从而实现更高的定位精度。

尽管存在各种各样的定位技术，但是在室内或建筑物密集的城区，由于信号传播受到非视距(Non Line of Sight，NLOS)、多径衰落、阴影效应的影响，定位精度受到很大的影响。即使采取一些非视距辨别方法和多径抑制方法，仍然难以在复杂环境中得到高精度的定位。此外，得到较高精度的定位常常需要付出更大的代价，比如使用更多的基站、额外的硬件设备获取更多的信号参数，而实际中的蜂窝网络常常难以有多个基站同时接收UE的信号，角度等信息也不一定能获取到，以至于传统的定位方法在实际应用难以得到好的定位效果。

城区蜂窝网中的室内话务定位有以下特点，难点在于，(1)城区中高层建筑密集，非视距、多径衰落、阴影效应等影响严重。(2)基站系统所能获取的UE信号的参数类型和数目不固定，可能有时存在冗余参数，而有时参数不足，传统的确定性几何方法常常不适用。(3)得到更多的UE信号的参数需要付出更多的代价，实际定位中需要使用容易获得的较少的参数数据进行定位。优势在于，(1)用户基数巨大，基站系统可以利用空闲资源获取大量的数据，包括各UE信号全天的AOA、TOA、RSS等参数。(2)可以利用用户习惯、建筑物位置等先验信息。比如：UE长时间保持位置不变的时间段往往是在室内，大多用户常常会有几个长时间停留的建筑物(家，办公室等)，建筑物的位置和大致高度能确定用户可能出现的位置范围。

技术实现要素：

本发明的目的是克服现有技术的上述不足，提供一种室内话务精确定位方法。技术方案如下：

一种基于机器学习的蜂窝网络中室内话务精确定位方法，其特征在于，包括以下步骤：

1)蜂窝网基站系统利用空闲资源逐步获取用户设备UE信号参数，

2)利用这些数据设计混合定位算法，进行信息融合，得到初步的位置估计；

3)使用残差分析判决进行非视距辨识，采取卡尔曼滤波算法进行多径抑制，对混合定位算法估计的位置进行矫正，得到估计位置；

4)记录每一组信号参数、估计位置以及用户标识，放入样本库；

5)用包括用户习惯和建筑物位置在内的先验信息，矫正步骤4)得到的估计位置，提取可靠的样本，方法如下：认为UE长时间处于静止状态的时候是在室内，通过分析UE信号各参数的性质、位置估计的变化情况，对是否处于建筑物内进行判别，从而剔除室外数据，仅保留处于建筑物内的数据；

6)利用机器学习算法训练数据，得到不同参数组合的定位模型，方法如下：先根据建筑物划分建立基于神经网络的分类模型，利用该分类模型判定UE所处的建筑物；然后针对不同的建筑物分别使用最小二乘支持向量机建立精确定位模型，利用此精确定位模型计算出UE的具体位置，从而对不同参数组建立不同的参数模型；

7)使用离线阶段训练好的模型估计UE位置，然后使用粒子滤波算法进行位置的实时跟踪。

本发明的有益效果如下：(1)机器学习算法的计算过程不依赖严格的几何关系，因此能适用于存在非视距、多径的复杂环境。(2)能充分利用各种UE信号参数信息，以及用户习惯、建筑物位置等先验信息，凭借基站系统能获取大量数据的优势，达到较好的训练效果。(3)针对不同参数组合训练不同的模型，定位时可以自适应地使用不同的参数组合进行定位，从而解决参数类型及数目不确定的问题。(4)传统定位算法往往需要很高的代价获取较多的UE信号参数。机器学习算法可以通过预先大量数据的训练，得到不同参数组合的定位模型，从而在实时定位中，即使只能获取少量的UE信号参数，仍能实现较高精度的定位。

附图说明

图1是示出了本发明整体方法流程框图。

图2是示出了本发明的典型应用场景。

图3是示出了训练模块中混合定位算法的流程框图。

图4是示出了训练模块中位置矫正方法的流程框图。

图5是示出了训练模块中位置矫正方法的功能示意图。

图6是示出了采用机器学习方法训练定位模型的框图。

具体实施方式

下面结合附图对本发明的基于机器学习的蜂窝网络中室内话务精确定位方法做进一步的描述。图1和图2显示了本发明整体方法流程以及典型应用场景。

1)训练模块。

基站系统利用空闲资源逐步获取大量的UE信号参数，包括可能获取到的TOA、TDOA、AOA、RSS等。利用这些数据进行设计混合定位算法，同时考虑非视距辨识和多径抑制方法。然后利用用户习惯和建筑物位置等先验信息，对混合定位算法估计的位置进行矫正，得到精确的位置信息。这些位置信息及其相应的原始参数作为机器学习算法的训练数据，得到不同参数组合的定位模型。具体包括以下三个步骤:

a.混合定位算法。图3显示了混合定位算法的流程框图，蜂窝网基站系统可以获得其覆盖范围内所有用户的TOA、TDOA、场强等多种UE信号参数，先进的基站系统还能获取AOA测量值，使用混合定位技术进行信息融合，得到初步的位置估计，使用残差分析判决，进行非视距辨识，采取卡尔曼滤波技术进行多径抑制，记录每一组信号参数、估计位置以及用户标识，放入样本库,每个样本的形式为

S_i＝{Data_i,Flag_i,x_i,y_i,z_i}

其中，Data_i包括了所能测得的UE参数，Flag_i为该样本的用户标识，x_i，y_i，z_i是估计出的位置。

b.位置矫正。图4和图5显示了位置矫正方法的流程框图与功能示意图，利用先验信息矫正混合算法得到的估计位置，提取出可靠的样本。认为UE长时间处于静止状态的时候是在室内，通过分析UE信号各参数的性质、位置估计的变化情况，对是否处于建筑物内进行判别，从而剔除室外数据，仅保留处于建筑物内的数据。比如，大多数用户会有多个常常长时间停留的位置，分别对每个用户的位置进行聚类，相同的类认为实际上是同一位置，这个位置可用各类的中心来代替。具体的，使用k-means算法对根据样本的位置进行聚类，使得以下目标函数取值最小，

其中，C_m为第m个类，X_n对应第n个样本的位置，μ_m为第m个类的聚类中心。如果第n个样本在第m个类中，函数f(S_n∈C_m)的值为1，否则为0。

聚类完成后将所有样本中的位置值用聚类中心代替，得到S_i′＝{Data_i,Flag_i,μ_i}。已知主要建筑物的位置和近似高度，各建筑物被分隔开，认为没有建筑物的空中是不可到达区域。从而将各样本的分类到各建筑物，根据建筑物的形状进行位置矫正。

c.机器学习算法。图6显示了采用机器学习方法训练定位模型的框图，采取以下的两步的训练，先根据建筑物划分建立基于BP神经网络的分类模型，该模型判定UE所处的建筑物；然后针对不同的建筑物分别使用最小二乘支持向量机建立精确定位模型，该模型计算出UE的具体位置。对不同参数组建立不同的参数模型，提高系统的适应能力。

2)在线定位模块。

使用离线阶段训练好的模型估计UE位置，然后使用粒子滤波算法进行位置的实时跟踪，步骤如下，

a.蜂窝网基站系统测得各UE信号参数，选择其参数组所对应的建筑物划分模型，判定UE所处的建筑物，然后使用该建筑物所对应的精确定位模型，得到UE具体位置。

b.设置粒子群模拟用户位置的概率分布，利用用户位置的先验信息以及当前时刻位置的估计进行滤波，从而实现对UE的实时跟踪。