基于MDT技术和RSRP测距的基站经纬度估计方法

基于mdt技术和rsrp测距的基站经纬度估计方法
技术领域
1.本发明涉及无线通信技术领域，尤其是一种基于mdt技术和rsrp测距的基站经纬度估计方法。


背景技术：

2.基站经纬度是网络规划中的重要参数，对网络优化具有重要的作用。基站工参表中基站经纬度的误差大小取决于测量仪器的精度，同时可能还会出现人工记录错误的情况，另外工参表记录的是建站前规划的位置，实际建设中可能与之有较大偏差，因此当前基站指纹库中有很大一部分基站经纬度信息存在问题。
3.人工测量基站经纬度并更新工参表会耗费大量人力物力成本，因此有必要开发一种基站经纬度估计算法。现有文献大多研究的是根据基站的位置确定用户终端的位置，常见的有基于tdoa定位算法、基于aoa定位算法、基于rsrp定位算法等。最小化路测mdt(minimization of drive test)提供了从用户设备ue(user equipment)收集有关无线网络性能信息的能力，信息包含ue的经纬度、参考信号接收强度rsrp、时间提前量ta等，数据量大，容易获取，但是mdt数据并不包含ue到基站的距离。


技术实现要素：

4.发明目的：为了克服现有技术中存在的不足，本发明提供一种基于mdt技术和rsrp测距的基站经纬度估计方法，本发明在mdt数据可以获得的基础上，基于rsrp测距的方法，解决距离缺失问题，然后使用taylor定位方法完成基站经纬度的估计，提高了基站定位的精度和稳定性，节省了人力物力成本。
5.技术方案：为实现上述目的，本发明采用的技术方案为：
6.一种基于mdt技术和rsrp测距的基站经纬度估计方法，收集该基站下所有小区的mdt数据，并对mdt数据处理，针对每一个小区，用墨卡托投影变换将经纬度转换成平面坐标，并对该小区内所有用户点的坐标取均值，将其作为坐标原点。针对每一个小区，依据对数路径损耗模型，得到发射功率和基站坐标的最大似然估计公式，并将该问题转换成加权最小二乘问题(wls)。使用sr
‑
ls方法求解该wls问题，首先求出其对应的矩阵a，矩阵d，向量b，向量f，然后根据这些值得到λ，最后根据λ求得基站坐标估计值。针对每一个小区得到的基站坐标估计值，求出该小区内所有用户点到该估计点的距离，并将该距离作为用户点到基站实际距离的估计值，完成测距。将所有小区求出的基站坐标估计值取平均作为初始迭代点，利用基站下所有用户点的坐标及距离，使用taylor定位方法得到基站坐标的最终估计值，并转换成经纬度，具体包括以下步骤：
7.步骤1，收集基站下所有小区的mdt数据，mdt数据由用户设备ue上报得到，mdt数据包括经纬度、rsrp、ta，其中，rsrp表示参考信号接收强度，ta表示时间提前量。
8.步骤2，对于基站下的每一个小区，求解基站坐标估计值和用户设备ue到基站距离的估计值，具体步骤如下：
9.步骤2
‑
1，筛选出ta＝0的mdt数据，对筛选得到的mdt数据的经纬度再进行3sigma的筛选。使用墨卡托投影变换将经纬度转换为平面坐标，并将坐标原点移至小区所有用户点坐标均值点。
10.步骤2
‑
2，根据对数路径损耗模型，将求解发射功率和基站坐标的联合最大似然估计问题转换为wls问题。
11.对数路径损耗模型为：
[0012][0013]
其中，p
i
表示s
i
处的参考信号接收强度，s
i
表示第i个用户设备的坐标向量，p0表示d0处的参考信号接收强度，d0表示参考距离，一般设为1km，n表示共有n个用户点，γ表示路径损耗指数，表示信道环境差异导致的阴影效应，表示v
i
是满足正态分布的随机变量，表示v
i
的方差，x为基站坐标向量。
[0014]
在发射功率未知的情况下，估计发射功率等价于估计p0，因此p0和x的联合最大似然估计为：
[0015][0016]
令y
i
＝log
10
||x
‑
s
i
||2‑
v
i
/5γ，由对数路径损耗模型得因此最大似然估计转换成非线性wls问题：
[0017][0018]
其中，表示z
i
的均值，表示z
i
的方差。
[0019]
当y
i
服从高斯分布的时候：
[0020][0021][0022]
其中，是一个常量。
[0023]
由于是x和u的非线性函数不容易获得，因此在噪声v
i
的标准差落在4db～10db之间的情况下，我们将其忽略并得到一个估计值代替
[0024][0025]
将非线性wls问题转化为需要求解的wls问题：
[0026][0027]
subject to||x||2＝ρ
[0028]
其中，υ＝1/u，是关于p0的未知量，ρ表示基站坐标向量x的模的平方，s
i
为第i个用户设备的坐标向量，表示第i个用户设备的坐标向量的转置，||s
i
||表示第i个用户设备的坐标向量的模。
[0029]
步骤2
‑
3，使用sr
‑
ls方法求解需要求解的wls问题，得到基站坐标估计值。
[0030]
步骤2
‑
4，求出小区内所有用户设备ue到基站坐标估计值的距离，完成测距。由于步骤2
‑
1中坐标原点被移至小区所有用户点坐标均值点，因此步骤2
‑
3求得的解需加上小区所有用户点坐标的均值，得到该小区最终的基站坐标估计值。
[0031]
步骤3，将每个小区的基站坐标估计值取平均作为初始迭代点，并结合基站下所有用户设备ue的坐标及步骤2
‑
4得到的用户设备ue到基站坐标估计值的距离，使用taylor定位方法求解得到基站坐标的最终解，并转换成经纬度，完成估计。
[0032]
优选的：步骤1中mdt数据中的ta＝i表示用户设备ue到基站的距离在[i*78,(i+1)*78]范围内，i表示时间提前量，取值为0,1,2
…
。
[0033]
优选的：步骤2
‑
1中3sigma筛选指计算小区内所有用户设备ue的经度均值μ
lo
、纬度均值μ
la
、经度标准差std
lo
、纬度标准差std
la
，只保留经度在[μ
lo
‑
3*std
lo
,μ
lo
+3*std
lo
]范围内并且纬度在[μ
la
‑
3*std
la
,μ
la
+3*std
la
]范围内的mdt数据。
[0034]
优选的：步骤2
‑
3中使用sr
‑
ls方法求解需要求解的wls问题的方法：
[0035]
步骤2
‑3‑
1，令y＝(x
t
,υ,ρ)
t
，，
则需要求解的wls问题的等价wls问题为：
[0036][0037]
其中，y表示需要求解的未知向量，其中前两个元素是基站坐标向量x，第三个元素是关于p0的未知量υ，第四个元素是基站坐标向量x的模的平方ρ，γ表示由组成的对角权值矩阵，n表示共有n个用户设备，a表示根据需要求解的wls问题得到的系数矩阵，b表示根据需要求解的wls问题得到的常数向量。此外由于y的前两个元素构成的向量x的模的平方需要等于y的第四个元素ρ，所以y还需满足y
t
dy+2f
t
y＝0。
[0038]
步骤2
‑3‑
2，令
[0039][0040]
其中，表示y关于λ的函数，λ表示自变量，≡表示恒等于。
[0041]
当且仅当λ满足λ∈i时，为等价wls问题的全局最优解，i表示区间。
[0042]
由于在区间i上单调递减，因此用二分法求得λ，继而求得在区间i上单调递减，因此用二分法求得λ，继而求得的前两个分量即为基站坐标估计值。
[0043]
根优选的：步骤2
‑3‑
2中区间λ1(d,a
t
a)表示矩阵最大的特征值。
[0044]
本发明相比现有技术，具有以下有益效果：
[0045]
本发明基于接收信号强度定位实现测距功能，解决mdt技术距离缺失问题，使用算法实现预测，节省人力物力成本，提高基站定位准确性和稳定性。
附图说明
[0046]
图1是基站经纬度估计场景图。
[0047]
图2基于mdt技术和rsrp测距的基站经纬度估计方法的流程图。
具体实施方式
[0048]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本
发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0049]
一种基于mdt技术和rsrp测距的基站经纬度估计方法，如图1、2所示，包括以下步骤：
[0050]
步骤1，收集该基站下所有小区上报的mdt数据。mdt数据由用户设备(ue)上报得到，其包含ue的经纬度、rsrp、ta，其中，rsrp表示参考信号接收强度，ta表示时间提前量。
[0051]
步骤2，遍历基站下的每一个小区，针对每一个小区都进行如下步骤：
[0052]
步骤2
‑
1，首先筛选出该小区内所有满足ta＝0的用户点，因为这些用户点距离基站较近，进行三角定位时精度较高。
[0053]
步骤2
‑
2，由于终端高速移动以及数据上传存在延迟，导致部分mdt数据异常，因此对剩下的mdt数据进行经纬度3sigma筛选，计算小区内所有ue的经度均值μ
lo
，纬度均值μ
la
，经度标准差std
lo
，纬度标准差std
la
，只保留经度在[μ
lo
‑
3*std
lo
,μ
lo
+3*std
lo
]范围内并且纬度在[μ
la
‑
3*std
la
,μ
la
+3*std
la
]范围内的mdt数据。
[0054]
步骤2
‑
3，使用墨卡托投影变换将ue的经纬度转换成平面坐标，并计算所有ue的坐标均值，将其作为坐标原点，以避免坐标数值过大，影响计算精度。
[0055]
步骤2
‑
4，根据对数路径损耗模型：
[0056][0057]
其中p
i
表示s
i
处的参考信号接收强度rsrp，s
i
为第i个用户设备的坐标向量。p0表示参考位置d0处的参考信号接收强度，d0表示参考距离，一般设为1km，n表示共有n个用户点。γ表示路径损耗指数，一般在3
‑
6之间。表示信道环境差异导致的阴影效应，是一个零均值高斯随机变量，本发明假设其标准差为4，表示v
i
是满足正态分布的随机变量，表示v
i
的方差，x为基站坐标向量。
[0058]
在发射功率未知的情况下，估计发射功率等价于估计p0，因此p0和x的联合最大似然估计为：
[0059][0060]
令y
i
＝log
10
||x
‑
s
i
||2‑
v
i
/5γ，由对数路径损耗模型可得因此最大似然估计问题可转换成非线性wls问题(非线性加权最小二乘问题)：
[0061][0062]
其中和表示z
i
的均值和方差。当y
i
服从高斯分布的时候，
其中是一个常量。
[0063]
由于是x和u的非线性函数不容易获得，因此在噪声v
i
的标准差落在4db～10db之间的情况下，我们将其忽略并得到一个估计值代替
[0064][0065]
因此需要求解的wls问题可表示为：
[0066][0067]
subject to||x||2＝ρ
[0068]
其中υ＝1/u，是关于p0的变量。
[0069]
步骤2
‑
5，使用sr
‑
ls方法求解该wls问题。具体步骤如下：
[0070]
(1)令y＝(x
t
,υ,ρ)
t
，，，则该wls问题等价为：
[0071][0072]
其中，y表示需要求解的未知向量，其中前两个元素是基站坐标向量x，第三个元素是关于p0的未知量υ，第四个元素是基站坐标向量x的模的平方ρ，γ表示由组成的对角权值矩阵，n表示共有n个用户设备，a表示根据需要求解的wls问题得到的系数矩阵，b表示根据需要求解的wls问题得到的常数向量。此外由于y的前两个元素构成的向量x的模的平方需要等于y的第四个元素ρ，所以y还需满足y
t
dy+2f
t
y＝0。
[0073]
(2)令(2)令其中，表示y关于λ的函数，λ表示自变量，≡表示恒等于。
[0074]
经证明得当且仅当λ满足时，为式子(1)中的全局最优解。区间其中λ1(d,a
t
a)表示矩阵最大的特征值。
[0075]
由于在i上单调递减，因此可以用简单的二分法求得λ，继而求得在i上单调递减，因此可以用简单的二分法求得λ，继而求得的前两个分量即为基站坐标估计值。
[0076]
步骤2
‑
6，计算小区内所有ue到该基站坐标估计值的距离，作为ue到基站实际距离的估计值，完成测距。由于步骤2
‑
3中坐标原点被移至小区所有用户点坐标均值点，因此步骤2
‑
5求得的解需加上小区所有用户点坐标的均值，得到该小区最终的基站坐标估计值
[0077]
步骤3，将每个小区的基站坐标估计值取平均作为初始迭代点，使用三角定位求出基站坐标最终预测值，使用taylor算法求解三角定位。将预测值用反墨卡托投影变换转换成经纬度，完成预测。
[0078]
本发明综合利用mdt数据和信号路损模型，解决了用户到基站的距离缺失问题，并保证了taylor定位算法迭代收敛，有效提高了基站定位精度。
[0079]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。