根据软采信令的自适应指纹定位方法技术

本专利申请涉及移动通信领域中的无线业务支撑领域，具体涉及一种根据软采信令的自适应指纹定位方法，包括：第一步，离线路测采样和模型训练阶段；第二步，在线定位阶段，第三步，定位指纹数据库自适应更新阶段和SVR定位模型自适应更新阶段；通过定位指纹库的自我更新迭代机制，将使得整个定位方法的精度在一定程度上不断提高。

【技术实现步骤摘要】
根据软采信令的自适应指纹定位方法
本专利技术涉及移动通信领域中的无线业务支撑领域，具体涉及一种根据软采信令的自适应指纹定位方法。
技术介绍
在商业应用领域里，移动通信网络定位技术主要应用在基于位置的服务(LocationBasedService，LBS)方面。移动定位技术在其商业应用的开发来说，目前不过是刚刚起步，除了某些特定的跟踪或监测用途，作为民用的巨大商业潜力尚待进一步的开发。根据移动用户的位置，为用户提供与位置相关的各项服务，如用户定位、服务推介等，将成为未来手机业务中的主流趋势。现有的移动终端定位方法主要有以下几种：(1)通过卫星定位(以GPS为代表)。(2)通过信号到达时间(TOA)、到达时间差、信号到达角度(AOA)或者以上几种指标综合使用的混合定位方法。(3)使用小区ID+时间提前量(CellID+TA)定位方法，即利用移动台所占用的服务小区位置信息以及服务小区的TA进行定位。现有移动终端定位方案存在以下问题：(1)通过卫星定位(以GPS为代表)，在室外可以获得较高的定位精度(误差在10-50米)。然而，GPS定位需要手机终端具有GPS定位功能，一般只有智能手机满足，普通的手机无法满足；GPS无法在室内进行定位，且GPS定位是基于智能手机第三方的软件的，网络侧很难获得用户的定位信息，即使获得第三方软件的数据，也涉及到数据解密等步骤而难以应用。(2)通过信号到达时间(TOA)、到达时间差、信号到达角度(AOA)或者混合定位方法，定位误差一般都在200米以上，无法满足高精度的定位要求。(3)使用小区ID+时间提前量(CellID+TA)定位方法，即利用移动台所占用的服务小区位置信息以及服务小区的TA进行定位，这种方式对通信网络增加的负担较小，但是定位精度较低。另外也有通过测量信号强度，然后用传播模型计算距离的方法来定位的技术，但由于无线传播环境的不同，这种方法也存在误差比较大的问题。鉴于此，现有技术针对GSM网络提出了多种基于SVR(支持向量回归)的指纹匹配定位技术。通过对终端设备向基站上传的测量报告(MeasurementReport,MR)及不同网络覆盖区域的指纹样本库进行相关计算，得到最佳匹配位置。随着移动通信网络的演进，新型的LTE网络开始普及；然而，在LTE网络扁平化后，原来在2、3G时代能直接采集的测量报告(MR)数据，无法方便的采集到，这给指纹定位方法在LTE网络中的实施造成了阻碍；而通过LTE的信令软采集方式，可以从主设备上获取到这些MR数据和Uu口相关消息；因此，在LTE软采集信令分析系统上实现指纹定位技术变得可能。现在，急需涉及一种，根据LTE软采信令进行高精度指纹定位的方法。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种根据软采信令的自适应指纹定位方法，通过该方法能够有效提高定位精度。本专利技术采用的方案为：根据软采信令的自适应指纹定位方法包括以下步骤：第一步，离线路测采样和模型训练阶段，具体包括：(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的小区的标识信息以及测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；(2)模型训练阶段：将每个测量报告作为一条训练样本，构建定位指纹库，并根据定位指纹库生成在线定位模型，包括：(2-1)将所述移动网络覆盖区域划分为边长为L的栅格，并将栅格编号根据路测终端的位置坐标，将训练样本分配到对应的栅格中；(2-2)将栅格的编号作为位于该栅格的训练样本的分类标识，分类标识和训练样本共同组成指纹数据记录储存在定位指纹库中；(2-3)采用支持向量回归算法对同一栅格内的训练样本进行处理，得到每个栅格的SVR定位模型，用于计算带定位移动终端所处的经度和纬度；(2-4)将所述SVR定位模型作为在线定位模型进行存储；第二步，在线定位阶段，具体包括：通过信令软采集获取待定位移动终端的测量报告，获取测量报告中所涉及到的小区的标识信息以及测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；根据该测量报告中所涉及到的小区的标识信息，从定位指纹库中筛选涉及相同小区的指纹数据记录；将筛选出的每个指纹数据记录所包含的训练样本与在线传入的移动终端的测量报告计算欧氏距离；并从中筛选得到欧氏距离最小的训练样本，根据其所对应的栅格，选定该栅格为目标栅格；将目标栅格下的样本数据与SVR定位模型离线学习得到的参数，进行卷积计算，得到最终的预测经纬度。第三步，定位指纹数据库自适应更新阶段和SVR定位模型自适应更新阶段，具体包括：定位指纹数据库自适应更新阶段：根据步骤(1)采集新的测量报告，并根据步骤(2-1)和(2-2)形成备用指纹数据记录；根据所处栅格的SVR定位模型量化每一条指纹数据记录对于定位计算结果的影响程度，并标记每一条指纹数据记录的入库时间；根据量化的影响程度和入库时间更新定位指纹库，包括：根据指纹数据记录的入库时间，筛选入库的时长超过设定时间段的指纹数据记录；将筛选出的记录中量化的影响程度小于设定值的记录剔除；如果定位指纹数据库内指纹数据记录的数量低于设定数量，则补充新采集的备用指纹数据记录进指纹数据库；SVR定位模型自适应更新阶段，包括：如果某一栅格内的指纹数据记录被剔除和/或补入，则根据剔除和/或补入后的指纹数据记录更新该栅格的SVR定位模型。本方案的有益效果在于：本方案通过信令软采实现了移动终端的精确定位，适合于应用到当前最新的LTE通信网络；通过最小欧氏距离值进行栅格删选，实施简单且有效，工作效率高；因为SVR定位算法输出精度受样本数据的质量、数量影响较大，因此在达到一定数量前需要持续的补入以满足数量上的需要；同时需按照样本数据的质量(其对于定位结果的量化后的影响程度)剔除影响较小的样本数据并更新SVR定位模型，避免SVR定位模型有过多的无效计算而增加有效计算；因此通过定位指纹库的自我更新迭代机制，将使得整个定位方法的精度在一定程度上不断提高。另外栅格内的电磁环境也会因为栅格内建筑物、树木等障碍物的改变而不断发生变化，导致原先采集的样本数据丧失准确性，本方法，采取持续采集新样本数据的步骤，通过周期性的剔除旧的样本数据以及添入新采集的样本数据，保证了定位模型的效力不因栅格环境因素发生过大改变而下降。通过不断更新指纹库，使得指纹库样本达到相对优选的数量，同时通过更新迭代保持样本数据的质量、准确性维持在较高水平，进而随每次更新所产生的SVR定位模型更为精确，从而保证了整个方法的定位精度。综上所述，本方案通过定位指纹库的自我更新迭代机制，将使得整个定位方法的精度在一定程度上不断提高。可选的，步骤(2)中，构建定位指纹库之前，对采集到的测量报告进行筛选，将符合要求的测量报告数据用于构建定位指纹库；所述标准为：①测量报告数据中所涉及的小区个数大于等于4；②时延数据数值小于等于所采用测量报告数据标准允许的最大值；③测量报告数据所涉及的小区与该数据采样点的距离小于等于3000米。这样，保证每个测量报告都是可靠的以及携带了足够的信息，保证指纹库内存在的制文数据记录的质量。可选的，步骤(2)中，构建定位指纹库之前，将测量报告中的各测量值进行归一化预处理本文档来自技高网...

【技术保护点】
根据软采信令的自适应指纹定位方法，其特征在于，包括以下步骤：第一步，离线路测采样和模型训练阶段，具体包括：(1) 离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的小区的标识信息以及测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；(2) 模型训练阶段：将每个测量报告作为一条训练样本，构建定位指纹库，并根据定位指纹库生成在线定位模型，包括：(2‑1) 将所述移动网络覆盖区域划分为边长为 L 的栅格，并将栅格编号，根据路测终端的位置坐标，将训练样本分配都对应的栅格中；(2‑2) 将栅格的编号作为位于该栅格的训练样本的分类标识，分类标识和训练样本共同组成指纹数据记录储存在定位指纹库中；(2‑3)采用支持向量回归算法（SVR）对同一栅格内的训练样本进行处理，得到每个栅格的SVR 定位模型，用于计算带定位移动终端所处的经度和纬度；(2‑4)将所述SVR 定位模型作为在线定位模型进行存储；第二步，在线定位阶段，具体包括：通过信令软采集获取待定位移动终端的测量报告，获取测量报告中所涉及到的小区的标识信息以及，测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；根据该测量报告中所涉及到的小区的标识信息，从定位指纹库中筛选涉及相同小区的指纹数据记录；将筛选出的每个指纹数据记录所包含的训练样本与在线传入的移动终端的测量报告计算欧氏距离；并从中筛选得到欧氏距离最小的训练样本，根据其所对应的栅格，选定该栅格为目标栅格；将目标栅格下的样本数据与SVR定位模型离线学习得到的参数，进行卷积计算，得到最终的预测经纬度；第三步，定位指纹数据库自适应更新阶段和SVR定位模型自适应更新阶段，具体包括：定位指纹数据库自适应更新阶段：根据步骤（1）采集新的测量报告，并根据步骤（2‑1）和（2‑2）形成备用指纹数据记录；根据所处栅格的SVR定位模型量化每一条指纹数据记录对于定位计算结果的影响程度，并标记每一条指纹数据记录的入库时间；根据量化的影响程度和入库时间更新定位指纹库，包括：根据指纹数据记录的入库时间，筛选入库的时长超过设定时间段的指纹数据记录；将筛选出的记录中量化的影响程度小于设定值的记录剔除；如果定位指纹数据库内指纹数据记录的数量低于设定数量，则补充新采集的备用指纹数据记录进指纹数据库；SVR定位模型自适应更新阶段，包括：如果某一栅格内的指纹数据记录被剔除和/或补入，则根据剔除和/或补入后的指纹数据记录更新该栅格的SVR定位模型。...

【技术特征摘要】
1.根据软采信令的自适应指纹定位方法，其特征在于，包括以下步骤：第一步，离线路测采样和模型训练阶段，具体包括：(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的小区的标识信息以及测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；(2)模型训练阶段：将每个测量报告作为一条训练样本，构建定位指纹库，并根据定位指纹库生成在线定位模型，包括：(2-1)将所述移动网络覆盖区域划分为边长为L的栅格，并将栅格编号，根据路测终端的位置坐标，将训练样本分配都对应的栅格中；(2-2)将栅格的编号作为位于该栅格的训练样本的分类标识，分类标识和训练样本共同组成指纹数据记录储存在定位指纹库中；(2-3)采用支持向量回归算法（SVR）对同一栅格内的训练样本进行处理，得到每个栅格的SVR定位模型，用于计算带定位移动终端所处的经度和纬度；(2-4)将所述SVR定位模型作为在线定位模型进行存储；第二步，在线定位阶段，具体包括：通过信令软采集获取待定位移动终端的测量报告，获取测量报告中所涉及到的小区的标识信息以及，测量报告在其所涉及到的每个小区上的场强数据、时延数据和方向角数据；根据该测量报告中所涉及到的小区的标识信息，从定位指纹库中筛选涉及相同小区的指纹数据记录；将筛选出的每个指纹数据记录所包含的训练样本与在线传入的移动终端的测量报告计算欧氏距离；并从中筛选得到欧氏距离最小的训练样本，根据其所对应的栅格，选定该栅格为目标栅格；将目标栅格下的样本数据与SVR定位模型离线学习得到的参数，进行卷积计算，得到最终的预测经纬度；第三步，定位指纹数据库自适应更新阶段和SVR定位模型自适应更新阶段，具体包括：定位指纹数据库自适应更新阶段：根据步骤（1）采集新的测量报告，并根据步骤（2-1）和（2-2）形成备用指纹数据记录；根据所处栅格的SVR定位模型量化每一条指纹数据记录对于定位计算结果的影响程度，并标记每一条指纹数据记录的入库时间；根据量化的影响程度和入库时间更新定位指纹库，包括：根据指纹数据记录的入库时间，筛选入库的时长超过设定时间段的指纹数据记录；将筛选出的记录中量化的影响程度小于设定值的记录剔除；如果定位指纹数据库内指纹数据记录的...

【专利技术属性】
技术研发人员：刘剑锋，陈曦，李泰聪，杨铖，林庆丰，
申请(专利权)人：广州丰石科技有限公司，
类型：发明
国别省市：广东,44