基于移动蜂窝网的机器学习室外指纹定位方案

doi:10.11959/j.issn.1000-0801.2021201

电信科学 ›› 2021, Vol. 37 ›› Issue (8): 85-95.doi: 10.11959/j.issn.1000-0801.2021201

基于移动蜂窝网的机器学习室外指纹定位方案

周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄

中国联合网络通信有限公司智网创新中心，北京 100048

修回日期:2021-08-10 出版日期:2021-08-20 发布日期:2021-08-01
作者简介:周志超（1989− ），男，中国联合网络通信集团有限公司智网创新中心工程师，主要研究方向为高精度定位、蜂窝移动通信、C-V2X等
冯毅（1976− ），男，中国联合网络通信集团有限公司智网创新中心高级工程师，主要研究方向为移动通信系统网络规划、认知无线电、异构无线网络传输技术、5G垂直应用等
夏小涵（1989− ），男，中国联合网络通信集团有限公司智网创新中心 C-V2X 研发工程师，主要研究方向为高精度定位、RSU、车路协同等
冯瑜瑶（1995− ），女，中国联合网络通信集团有限公司智网创新中心通信工程师，主要研究方向为无线移动通信、高精度定位、C-V2X及MEC解决方案等
蔡超（1984− ），男，中国联合网络通信集团有限公司智网创新中心总监，主要研究方向为无线移动通信、高精度定位、数据网、安全网关等
邱佳慧（1985− ），女，中国联合网络通信集团有限公司智网创新中心车联网技术总监，主要研究方向为车联网、5G通信、高精度定位等
杨立辉（1986− ），男，中国联合网络通信集团有限公司智网创新中心解决方案经理，主要研究方向为无线移动通信、高精度定位、视频编解码及传输等
乌云霄（1985− ），女，中国联合网络通信集团有限公司智网创新中心高级工程师，主要研究方向为移动通信、移动网络OSS

Outdoor location scheme with fingerprinting based on machine learning of mobile cellular network

Zhichao ZHOU, Yi FENG, Xiaohan XIA, Yuyao FENG, Chao CAI, Jiahui QIU, Lihui YANG, Yunxiao WU

Center of Smart Network of China United Network Communication Co., Ltd., Beijing 100048, China

Revised:2021-08-10 Online:2021-08-20 Published:2021-08-01

摘要/Abstract

摘要：

基于移动蜂窝网络技术的定位方案是提供网络优化、紧急救援、公安巡警和位置服务等应用的重要技术途径之一。传统的基于小区基站位置信息的定位方案定位精度低、定位误差大，无法满足某些定位应用需求。基于指纹定位的方案能够在基于小区粗定位方案基础上大幅度提升定位精度、节约计算成本、增强适用性，成为定位研究的热点。针对室外指纹定位的业务需求，深入研究分析了两种基于机器学习的栅格化和非栅格化室外指纹定位方案。通过参数加权、数据拟合等方法对于大规模指纹数据进行了清洗，提高数据源的有效性。通过划定研究区域、栅格化、构建指纹数据库、训练模型、修正模型、非栅格化、粗定位耦合、匹配参数、训练参数等子模块的实现，分析和优化了算法的运行效率和定位精度，确定了影响算法性能的关键指标。进而结合仿真结果，分析了两种基于指纹的定位方案的性能。最后介绍了基于机器学习的指纹定位方案在实际应用中的典型场景。

关键词: 指纹定位, 移动蜂窝网络, 机器学习, 栅格化, 典型应用场景

Abstract:

The positioning scheme based on mobile cellular network technology is one of the important technical approaches to provide network optimization, emergency rescue, police patrol and location services.The traditional positioning scheme based on cell base station location information has low positioning accuracy and large positioning error, so it cannot meet the requirements of some positioning applications.The scheme based on fingerprint location can greatly improve the location accuracy, save computational cost and enhance the usability based on the coarse location scheme of the cell and become the hotspot of the research.Rasterization and non-rasterization of outdoor fingerprint location scheme based on machine learning were studied and analyzed to meet the business requirements of outdoor fingerprint location.By means of parameter weighting, data fitting and other methods, large-scale fingerprint data were cleaned to improve the effectiveness of data sources.Through the realization of sub-modules such as demarcating research area, rasterizing, constructing fingerprint database, training model, correcting model, non-rasterizing, rough positioning coupling, matching parameter and training parameter, the operation efficiency and positioning accuracy of the algorithm were analyzed and optimized, and the key indexes affecting the algorithm performance were determined.Then, the performance of two fingerprint-based localization schemewas analyzed based on the simulation results.Finally, the typical scenarios of the fingerprint location scheme based on machine learning in practical application were presented.

Key words: fingerprint positioning, mobile cellular network, machine learning, grid, typical application scenario

中图分类号:

TN913

周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄. 基于移动蜂窝网的机器学习室外指纹定位方案[J]. 电信科学, 2021, 37(8): 85-95.

Zhichao ZHOU, Yi FENG, Xiaohan XIA, Yuyao FENG, Chao CAI, Jiahui QIU, Lihui YANG, Yunxiao WU. Outdoor location scheme with fingerprinting based on machine learning of mobile cellular network[J]. Telecommunications Science, 2021, 37(8): 85-95.

图/表 15

图1

表1

图2

图3

表2

表3

图4

图5

图6

图7

图8

图9

图10

表4

图11

参考文献 11

[1]	裴登科 . 基于测量报告的 LTE 终端室外定位算法研究[D]. 合肥:中国科学技术大学, 2019.
	PEI D K . Research on outdoor localization algorithms of LTE terminal based on measurement report[D]. Hefei:University of Science and Technology of China, 2019.
[2]	倪磊 . 基于LTE信令数据的指纹定位方法研究[D]. 大连:大连理工大学, 2018.
	NI L . A fingerprint localization algorithm based on LTE signaling data[D]. Dalian:Dalian University of Technology, 2018.
[3]	韩亚楠 . LTE中RF指纹定位算法研究[D]. 北京:北京交通大学, 2016.
	HAN Y N . Research on RF fingerprinting in LTE network[D]. Beijing:Beijing Jiaotong University, 2016.
[4]	张玄黎, 杨东凯, 王延昭 ,等. 基于机器学习的室内高精度指纹定位方法研究[C]// 第十二届全国信号和智能信息处理与应用学术会议论文集. 杭州:出版者不详, 2018: 518-524.
	ZHANG X L , YANG D K , WANG Y Z ,et al. Research on indoor high-precision fingerprint localization method based on machine learning[C]// Proceedings of the 12th National Conference on Signal and Intelligent Information Processing and Applications.Hangzhou:s.n. , 2018: 518-524.
[5]	卞智 . 基于机器学习算法的指纹匹配定位技术研究[D]. 北京:北京邮电大学, 2017.
	BIAN Z . Research on fingerprinting positioning technologybased on machine learning[D]. Beijing:Beijing University of Posts and Telecommunications, 2017.
[6]	中评协课题组. 2016年度我国主板市场资产评估情况统计分析报告(上)[J]. 中国资产评估, 2018(2): 21-36,1.
	CAS Research Group. Statistical analysis report of asset appraisal in main board market of China,2016(part one)[J]. Appraisal Journal of China, 2018(2): 21-36,1.
[7]	刘艳亮, 张海平, 徐彦田 ,等. 全球卫星导航系统的现状与进展[J]. 导航定位学报, 2019,7(1): 18-21,27.
	LIU Y L , ZHANG H P , XU Y T ,et al. Development status and trend of global navigation satellite system[J]. Journal of Navigation and Positioning, 2019,7(1): 18-21,27.
[8]	党小超, 马平川, 郝占军 . 基于CSI的改进KNN室内定位方法[J]. 传感器与微系统, 2019,38(10): 51-53.
	DANG X C , MA P C , HAO Z J . Improved KNN indoor positioning method based on CSI[J]. Transducer and Microsystem Technologies, 2019,38(10): 51-53.
[9]	李连亮 . 基于LANDMARK系统的KNN室内定位改进算法[J]. 山东工业技术, 2015(1): 213,229.
	LI L L . KNN indoor positioning improvement algorithm based on LANDMARK system[J]. Shandong Industrial Technology, 2015(1): 213,229.
[10]	3GPP. Technical specification group radio access network:lte positioning protocol (LPP)[S]. 2020.
[11]	3GPP. Technical specification group radio access network:evolved universal terrestrial radio access (E-UTRA):LTE Positioning protocol A (LPPa)[S]. 2020.

应用分类	应用名称	市场容量	定位精度要求	时间要求
重点行业	三打一查	＞3.5亿次	30～50 m	＜30 s
	医院急救	＞2亿次	5～10 m	＜60 s
	紧急救援	2020年规模超过3 800万元	5～10 m	＜2 min
其他行业	物流运输	全国规模超3 000万元	2 cm	＜1 min
	老人儿童关爱定位	保守估计约1 050万元	5～10 m	＜2 min

指纹定位方案	计算复杂度	性能	鲁棒性	实施性
方案一	较高	有折损	较好	对服务器集群要求较高
方案二	较低	无折损	稍差	对服务器集群要求较低

仿真参数名称	参数值
划定区域Y	1.5 km
统计小区个数	5个
栅格尺寸X	50 m
终端源数据量	1 048 574条
训练集占比	80%
测试集占比	20%
机器学习框架	sklearn.KNeighborsRegressor、sklearn.KNeighborsClassifier
学习和预测规则	KNN、WKNN
终端接收的RSRP个数	3个
经度、纬度精度	1.0×10^-12°
相对距离精度	1m
方案一	基于栅格划分的指纹定位算法
方案二	基于非栅格的指纹定位算法

指纹定位方案	定位准确性	性能折损性	鲁棒性	适合场景
方案一	57%@50 m	50 m	较好	终端密度小的场景
方案二	46%@50 m	0m	稍差	终端密度大的场景

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	刘雅琼, 吕哲, 赵亚飞, 寿国础. AI技术在卫星通信/互联网领域的应用综述[J]. 电信科学, 2023, 39(2): 10-24.
[3]	章坚武, 安彦军, 邓黄燕. DNS攻击检测与安全防护研究综述[J]. 电信科学, 2022, 38(9): 1-17.
[4]	李想,李原,张子飞,杨哲. 基于密度聚类的网络性能故障大数据分析方法[J]. 电信科学, 2020, 36(9): 51-58.
[5]	肖子玉. 面向2030的未来网络关键技术综述——Beyond 5G[J]. 电信科学, 2020, 36(9): 114-121.
[6]	邱亚星,王希栋,边森,岳磊. 基于聚类分析和深度学习的多频多模网络负载均衡优化[J]. 电信科学, 2020, 36(7): 156-162.
[7]	欧阳晔,杨爱东,孟凡语. 一种博弈论辅助的机器学习算法检测用户流失行为[J]. 电信科学, 2020, 36(6): 79-89.
[8]	林锋,徐柳婧,陈晓华,戚伟强,陈可,朱添田. 一种基于多视角特征融合的Webshell检测方法[J]. 电信科学, 2020, 36(6): 125-132.
[9]	盛剑涛,陈茂飞,刘东鑫,汪来富,史国水,金华敏. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020, 36(5): 47-55.
[10]	庞涛,丘海华,潘碧莹. 手机终端人工智能关键技术研究[J]. 电信科学, 2020, 36(5): 145-151.
[11]	钟其柱. 基于机器学习分析VoLTE视频通话质量的研究及应用[J]. 电信科学, 2020, 36(3): 156-165.
[12]	刘姿杉,程强,吕博. 面向机器学习的隐私保护关键技术研究综述[J]. 电信科学, 2020, 36(11): 18-27.
[13]	陈孝莲,秦奕,张杰,李亚杰,宋浩鲲,张会彬. 基于机器学习的光纤窃听检测方法[J]. 电信科学, 2020, 36(11): 61-67.
[14]	桂飞,程阳,李丹,洪思虹. 互联网智能路由架构及算法[J]. 电信科学, 2020, 36(10): 12-20.
[15]	李佳,丛犁,姜华,胡杨,徐梦. 基于DBN-Softmax的电力通信网络带宽预测[J]. 电信科学, 2020, 36(10): 153-158.

基于移动蜂窝网的机器学习室外指纹定位方案

Outdoor location scheme with fingerprinting based on machine learning of mobile cellular network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 11

相关文章 15

Metrics

推荐阅读 0