张进; 盛莉莉; 冷俊
【期刊名称】《《邮电设计技术》》
【年(卷),期】2019(000)011
【总页数】4页(P16-19)
【关键词】MR数据; 定位方法; 指纹数据库; 神经网络定位 【作 者】张进; 盛莉莉; 冷俊
【作者单位】中国联通江苏分公司 江苏南京210019; 中国联通南京分公司 江苏南京210000
【正文语种】中 文
【中图分类】TN929.5
1 概述
原子核的能级互联网的飞速发展带动了整个信息技术产业的飞跃，在大数据背景下，移动网络必须实现数据的高效处理。因此，应充分利用大数据平台和技术的优势，全面优化移动网络，增强其应用能力。大数据平台为移动网络提供更好的数据处理环境，基于大数据平台的一些新的算法，提供了更好的数据处理方式，能够更好地促进无线网络技术的开发与应用，实现移动网络的优化，加强其应用效果。
测量报告（MR）是指所获取的信号强度测量报告。MR 数据能够及时准确上报UE 端信号环境信息，并产生海量数据，是移动网络优化工作中最为常见的一类数据源。但是基于MR 数据的定位由于无线环境质量、天线、地形、建筑物等因素都会对信号强度的变化产生影响，原有的MR 定位方法的精确度并不高。
MR 定位的目的是希望通过现网真实用户上报的海量MR 数据，分析网络的质量、网络性能等情况，同时亦可反映出现网用户的真实感知，因此MR 定位的准确性至关重要。本文将以PNN 神经网络定位算法为基础对MR 采样点精准定位进行详细的阐述。该算法更精准地预测出每个MR 采样点的位置，为LTE 优化、规划工作提供更为精准、可靠的判断依据。 爱情急诊室
2 定位指纹数据库的建立和使用
一个无线小区发射的信号强度会随着传播距离的增加逐渐衰减，由于信号的衰弱和周围不规则障碍物的遮挡，信号强度分布不可能像仿真软件覆盖分布那么规律，通常手机能够同时观测到其他多个邻区信号，每一个邻区的信号强度分布也符合上述特点。因此，手机终端在每一个位置都会观测到一组小区的信号强度样本值，并且在不同位置所接收到的这组小区的RSRP 样本值又不相同，这种特征信息定义为指纹库特征。图1示出的是指纹库采集处理流程。
图1 指纹库采集处理流程
传统的指纹库都是使用路测数据，但是受限于路测数据覆盖面不完整、数据加密、对接困难等很多实际情况，指纹库建立是一个比较困难的事情。而利用APP 和MR 结合生成的指纹库（OTT）能显著提升这个过程的效率，增加指纹库的覆盖面，提高系统的定位精度。目前支持MDT 功能的终端设备越来越多，设备厂商也逐渐开启了MDT采集功能，MDT数据是较OTT数据更为方便快捷的一种新的指纹数据获取方式。还有用户家庭宽带账号地址信息、商用Wi-Fi 地址信息也都可以作为室内定位非常精准的指纹数据。
指纹库定位算法是指采用日常的DT 数据、MDT数据、OTT 数据作为训练样本指纹库，将MR 数据与之进行匹配，配对成功，完成MR的地理化显示。
指纹库定位算法的优点如下：
寡头垄断扩展性强：日常的DT 数据、MDT 数据、OTT 数据均可作为指纹库数据，通过一定的数据清洗匹配规则，形成定位需要的指纹库，从而实现指纹库从“线”到“面”的质变。
便于维护：无线网络的基础是不断变化的（尤其在网络部署阶段），某个区域拓扑发生变化，只需要对相应区域的指纹库进行更新；再按照一定的规则由程序判断和剔除无用的指纹库冗余数据。
准确性高：现网实际测试数据，准确性高，和传统方法通过仿真计算出的指纹库是2个不同的概念。
尽管指纹库的准确性高，但由于采集的局限性（比如DT只在道路，OTT受限于上报数量），因此指纹库并不能保证所有的区域都测试到，模型训练就利用局部的指纹库对传播模型进行训练，获得最逼近真实无线环境的传播模型，然后利用该模型计算所有50×50 栅
格里面各个小区的强度。
指纹库数据匹配原理如下：
a）指纹库数据匹配一般采用模式匹配的标准算法。
b）指纹匹配宗旨：选择MR 与指纹库最“相似”的栅格。周荣鑫
c）相似度判断可以通过MR中小区信号强度和指纹库的LSQ（sum of squared difference）评估，值越小表示相似度越高。
3 海量MR信息和指纹库的智能化关联
MR 大数据平台包含数据采集、数据解析和数据处理三大部分，全网MR 数据与指纹库数据的智能化匹配是精准定位的最关键一步。以PNN 神经网络算法为基础对MR 采样点与指纹库做关联，同时结合经过模型校正后的网格场强定位的结果，采用fingerprint等识别匹配算法对MR数据进行精确定位。
概率神经网络（PNN）是由D.F.Specht 在1990 年提出的。主要思想是用贝叶斯决策规则，
即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，它是以Parzen 窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经网络与经典的概率密度估计原理的优点，与传统的前馈神经网络相比，在模式分类方面具有较为显著的优势。
PNN 是径向基网络的一个分支，是前馈网络的一种。它是一种有监督的网络分类器，基于概率统计思想，由Bayes 分类规则构成，采用Parzen 窗函数密度估计方法估算条件概率，进行分类模式识别。PNN 的结构模型共分4 层：输入层、样本层（又称模式层）、求和层和决策层（又称竞争层输出层）。对应网络输入X=[x1，x2，…xm]T，其输出为Y=[y1，y2，…，yL]T，输入向量为m，待匹配的类别数为L。缅铃
指纹库的建立可以基于以下几种方式。
a）DT 数据。缺点：DT 测试数据覆盖面仅针对主干道路，并且测试工作量大，数据时效性差。
b）OTT 数据。从手机APP 上发的信息中解读HTTP 协议表头的URI 从而获取终端的经纬
度信息。优点：无需大量人工测试；缺点：数据存在加密风险，采样样本较少，需要长时间的数据搜集。
c）MDT 数据。最小化路测（MDT）是3GPP 在LTE系统中引入的普通用户/商用终端进行测量数据采集、上报的自动化路测技术，只要用户终端开启GPS 并支持MDT 功能，终端就能向自动上报包含用户位置信息的MDT 数据。尽管目前现网MDT 数据只占MRO数据的3%左右，但是与OTT 获取的经纬度信息相比，依然高出一个数据量级，并且解析方便。支持MDT 功能的终端设备也会越来越多，设备厂商也逐渐开启了MDT 采集功能，因此，MDT 数据是较OTT 数据更为方便快捷的一种新的指纹数据获取方式。
d）家庭宽带账号地址信息、商用Wi-Fi 地址信息。家庭宽带和Wi-Fi信息主要用于室内用户指纹库的建立，可用于室内外用户识别。
神经网络指纹定位程序流程描述：
a）采集DT/MDT/OTT 数据，按照指纹库模板，对数据进行清洗、纠偏处理，生成训练序列样本。
b）对生成的指纹数据进行模型训练，基于最小二乘法曲线拟合原理，对已知离散点上的数据集，生成小区传播模型。
竹子化石c）用训练序列样本和用户MR 的电平，根据神经网络定位算法，对MR 进行指纹匹配，精确定位出MR的位置经纬度。
d）识别用户的移动性场景，分别为静止用户、移动用户、特殊场景用户。静止用户：在设定的时间周期内，同时满足占用不同小区数量小于门限1，用户活动范围小于门限2，发起业务次数大于门限3，则判断为静止用户；移动用户：除静止用户和特殊场景用户外，其他用户则判断为移动用户；特殊场景用户：如高铁，1天连续占用4个高铁站点定义为高铁用户。
e）根据用户的移动性场景，对MR定位进行纠偏，生成最终的MR栅格定位数据。
图2示出的是神经网络指纹定位程序实现流程。
4 MR大数据平台的搭建及应用
图2 神经网络指纹定位程序实现流程
MR 大数据平台实现了MR 数据定位和网优大数据关联建模，主要的功能包括“无信令数据情况下的指纹库定位”“基于信令及OTT 经纬度的指纹库定位”“栅格化定位”“室内外用户区分定位”“竞争对手评估分析支撑”“MR 与XDR 的关联”，通过建模创新和大数据分析，简化网优流程。
MR 大数据平台采用松耦合的架构，构建于江苏联通共享层之上，系统建设融入江苏联通OSS2.0 框架的构架，基于统一的采集层数据（包含MR、核心网信令、投诉、告警等采集层标准数据源），在O-PaaS 层上通过租户的方式嵌入一个MR 数据合成层，主要包含MR 定位处理和MR 栅格化结果汇聚2 部分，具体实现以下功能。
a）多维大数据清洗，主要是MR和XDR。
b）MR指纹库建立和全量MR精准定位。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议