一种基于测量报告的定位方法及装置

技术领域

本发明涉及移动通信技术领域，具体为一种基于测量报告的定位方法及装置。

背景技术

在移动通信网络建设中，站址的选择和网络的优化通常是通过对网络覆盖质量测试的数据分析来进行的，传统的网络优化测试是通过路测(Drive Test，DT)、呼叫质量测试(Call Quality Test，CQT)、自动路测设备(Auxiliary Test Unit，ATU)等方法进行的，耗费大量人力物力，通过对测量报告(MR)数据的分析获取网络覆盖质量是一种更加便捷的方式。

测量报告(MR)数据是指移动终端(UE)周期性上报对无线网络进行测量的数据，包括所在小区的下行信号强度、质量等信息，基站将终端上报的下行信息结合自身获取的上行物理信息形成测量报告(MR)，在MR数据中同时会包含移动终端所处位置多个小区的覆盖信号强度，虽然测量报告(MR)数据能够反映小区的覆盖情况，但是缺乏终端的位置信息，仅能提供小区的统计信息，为了准确的将终端反馈的覆盖情况和位置信息匹配，需要一种位置定位算法来确定终端的位置

发明内容

针对现有技术的不足，本发明提供了一种基于测量报告的定位方法及装置，解决了测量报告(MR)数据的分析获取网络覆盖质量时无法准确的将终端反馈的覆盖情况和位置信息匹配的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于测量报告的定位方法及装置包括以下步骤：

S1、获取多个MR样本，采集的MR样本数据需要包含采样点的位置信息和标记所处环境属于室内或者室外；

S2、用采集的带有室内或者室外标记的样本MR数据，通过C4.5模型构建决策树，C4.5模型构建决策树的流程如下：

S21、检查基本情况；

S22、对于每个特征a，计算划分a的信息增益；

S23、记a_best为最高信息增益的特征；

S24、创建一个在a_best上划分的决策节点；

S25、使用划分后的样本创建作为当前决策节点的子节点，并在这些子节点上递归地处理。

S3、将待处理的MR数据利用决策树处理，标记为室内采集点或者室外采集点，将需要定位的MR数据，通过决策树进行分类，有如下几种步骤进行选择：

S31、室内站点在一定范围内随机定位；

S32、利用RSRP和传播模型定位；

S33、利用TADV和AOA定位。

进一步地，在所述步骤S1中，在所述步骤S2中，需要使用MR数据中的主服务小区RSRP，RSRQ，Tadv等指标，以及邻小区的RSRP等指标，结合采样点的实际环境(室内或室外)来构建决策树。

进一步地，在所述步骤S31中，以采样MR数据中信号最强的室分站点的位置为圆心，50米为半径的圆中，随机选取一个位置坐标，完成定位。

进一步地，在所述步骤S32中，对室外采样点，且主小区为宏站的，通过TADV和AOA以及宏站的坐标来计算采样点的坐标。

进一步地，在所述步骤S33中，对室外采样点，主小区为室分站的但第二接收功率为宏站的，可以利用传播模型计算UE到基站的距离。

进一步地，在所述步骤S33中，如果数据中只有一个第二接受功率的宏站，以该站点为圆心、r为半径画圆，画一条连接该宏站和主服务室分站，该直线与圆的交点即为UE的位置。

进一步地，在所述步骤S33中，如果数据中有多个第二接受功率的宏站，分别以每个站点为圆心、r为半径画圆。将这些圆的交点连接为多边形，多边形的质心即为UE的位置。

进一步地，在所述步骤S3中，如果采样点被分类为室内点，跳转到步骤S31，如果采样点被分类为室外点，且主小区为宏站，跳转到步骤S32，如果采样点被分类为室外点，但主小区为室分站，跳转到步骤S33。

一种基于测量报告的定位装置：该定位装置包括以下模块：

训练模块、决策树模块、数据采集模块、室内点定位模块、室外点传播模型模块和室外点TADV定位模块，所述决策树模块的输出端和所述训练模块的输入端电性连接；

进一步地，所述数据采集模块的输入端、室内点定位模块的输入端、室外点传播模型模块的输入端和室外点TADV定位模块带的输入端均和所述决策树模块的输出端电性连接。

与现有技术相比，本发明的有益效果是：

该基于测量报告的定位方法及装置，提高通过MR数据定位终端位置的精度，通过决策树区分终端所处的环境是室内还是室外，对不同环境的采样点利用不同的算法进行定位，以便获得更高定位精度和效率，不仅能够做到对反应小区的覆盖情况，还能准确将终端反馈的覆盖情况和位置信息匹配。

附图说明

图1为基于测量报告的定位方法的较佳的一种流程示意图；

图2为MR数据采集方法示意图；

图3为室内采样点定位示意图；

图4为利用传播模型定位示意图；

图5为利用TADV和AOA定位示意图；

图6为基于测量报告的定位装置的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，本发明提供一种技术方案：一种基于测量报告的定位方法及装置包括以下步骤：

S1、获取多个MR样本，采集的MR样本数据需要包含采样点的位置信息和标记所处环境属于室内或者室外；

S2、用采集的带有室内或者室外标记的样本MR数据，通过C4.5模型构建决策树，C4.5模型构建决策树的流程如下：

S21、检查基本情况；

S22、对于每个特征a，计算划分a的信息增益；

S23、记a_best为最高信息增益的特征；

S24、创建一个在a_best上划分的决策节点；

S25、使用划分后的样本创建作为当前决策节点的子节点，并在这些子节点上递归地处理。

S3、将待处理的MR数据利用决策树处理，标记为室内采集点或者室外采集点，将需要定位的MR数据，通过决策树进行分类，有如下几种步骤进行选择：

S31、室内站点在一定范围内随机定位；

S32、利用RSRP和传播模型定位；

S33、利用TADV和AOA定位。

C4.5算法是由Ross Quinlan开发的用于产生决策树的算法，该算法是对RossQuinlan之前开发的ID3算法的一个扩展，C4.5算法产生的决策树可以被用作分类目的，因此该算法也可以用于统计分类。

C4.5算法与ID3算法一样使用了信息熵的概念，并和ID3一样通过学习数据来建立决策树，决策树是一种类似流程图的树结构，其中每个非叶子结点表示在一个属性上的测试，每个分枝代表一个测试输出，每个叶子结点存放一个类标号，决策树构建完成后，对一个待分类的样本，跟踪一条由根节点到叶子节点的路径，该叶子节点就存放着该样本的预测。

在树的每个节点上，C4.5选择数据的属性，该属性最有效地将其样本集划分为集中在一个类或另一个类中的子集。划分准则是归一化的信息增益，即熵的差，选择信息增益最大的属性进行决策，然后对划分后的子集进行递归处理。

C4.5跟ID3一样，使用信息熵从训练数据集中构建决策树。训练数据是已经分类的样本集合S＝s

在所述步骤S1中，在所述步骤S2中，需要使用MR数据中的主服务小区RSRP，RSRQ，Tadv等指标，以及邻小区的RSRP等指标，结合采样点的实际环境(室内或室外)来构建决策树。

在所述步骤S31中，以采样MR数据中信号最强的室分站点的位置为圆心，50米为半径的圆中，随机选取一个位置坐标，完成定位。

在没有建筑物内部的三维模型的时候，无法精确进行定位，因此以室分站点为中心，在50米半径内，随机分配一个坐标，这样处理的效率较高。

在所述步骤S32中，对室外采样点，且主小区为宏站的，通过TADV和AOA以及宏站的坐标来计算采样点的坐标。

R数据中的TADV指的是timing advance，反映的是UE到基站的信号传播时间，T

AOA指的是Angle-of-Arrival，反映的是UE相对基站的方向角度，将基站经纬度转(long1，lat1)化为某个坐标系下的投影坐标(x1，y1)，因此UE的投影坐标(x2，y2)为

x2＝x1+r*cos(A0A)

y2＝y1+r*sin(A0A)

其中r指的是UE到基站的距离。然后反算出UE的实际坐标(long2，lat2)。

在所述步骤S33中，对室外采样点，主小区为室分站的但第二接收功率为宏站的，可以利用传播模型计算UE到基站的距离。

在所述步骤S33中，如果数据中只有一个第二接受功率的宏站，以该站点为圆心、r为半径画圆，画一条连接该宏站和主服务室分站，该直线与圆的交点即为UE的位置。

在所述步骤S33中，如果数据中有多个第二接受功率的宏站，分别以每个站点为圆心、r为半径画圆。将这些圆的交点连接为多边形，多边形的质心即为UE的位置。

在所述步骤S3中，如果采样点被分类为室内点，跳转到步骤S31，如果采样点被分类为室外点，且主小区为宏站，跳转到步骤S32，如果采样点被分类为室外点，但主小区为室分站，跳转到步骤S33。

如果采样点的MR数据中的主小区是室分站点，并且被分类算法分类为室内点，说明该点处于建筑物内。如果采样点的MR数据中的主小区为室外宏站，但是仍然被分类算法标记为室内采样点，说明该采样点虽然位于建筑物内，但是该点的宏站信号强度超过了室分站点的信号强度，可能处于建筑物的边缘。同样的，如果采样点的MR数据中的主小区为室分站点，但是分类算法将其分类为室外采样点，这可能是因为该采样点接近建筑物的边缘，其接受的室分站点的信号强度高于宏站的信号强度，此时，仍然需要通过该点的宏站数据来进行定位。

一种基于测量报告的定位装置：该定位装置包括以下模块：

训练模块、决策树模块、数据采集模块、室内点定位模块、室外点传播模型模块和室外点TADV定位模块，所述决策树模块的输出端和所述训练模块的输入端电性连接；

所述数据采集模块的输入端、室内点定位模块的输入端、室外点传播模型模块的输入端和室外点TADV定位模块带的输入端均和所述决策树模块的输出端电性连接。

训练模块的作用为利用样本数据构建决策树，数据采集模块的作用为从OMC-R上收集待处理的MR数据，决策树模块的作用为利用决策树对采样点分类，将采样点分为室外或者室内，室内点定位模块的作用为定位室内采样点，室外点传播模型定位模块的作用为定位主服务小区是室分站的室外采样点，室外点TADV定位模块的作用为定位主服务小区是宏站的室外采样点。

工作时：

测量报告MR为网络设备上报的测量数据信息，网络设备(eNodeB和UE)周期性进行测量数据的采集，并且将这些数据上传至OMC-R(无线接入网网元管理系统)。OMC-R周期性处理这些原始MR数据并生成统计MR数据，OMC-R透过北向接口将MR数据上报给NMS或其他管理系统，本实施例可以视为一种NMS，图2描述了MR数据的采集过程。

MR测量报告有三种类型的数据文件，分别为MRO、MRS和MRE文件。其中MRO文件为原始测量文件，包含了RSRP，TADV，AOA等本实施例所需的测量数据，本实施例中的MR数据都是指MRO文件。

获取含有室内外信息的样本MR数据，通过对MR.LteScRSRP MR.LteNcRSRPMR.LteScRSRQ MR.LteNcRSRQ计算特征，利用C4.5算法构建决策树。

采集待处理的MR数据，通过决策树确定采样点处于室内或者室外。

如果是室内站点，以采样MR数据中信号最强的室分站点的位置为圆心，50米为半径的圆中，随机选取一个位置坐标，完成定位。

对室外采样点，且主小区为宏站的，通过TADV和AOA以及宏站的坐标来计算采样点的坐标。

对室外采样点，主小区为室分站的但第二接收功率为宏站的，可以利用传播模型计算UE到基站的距离r，本实施例中使用COST

对LOS，采用下面公式Pl

对NLOS，采用下面公式PlN

参数的取值范围采用下表：

其他参数假定为hroof＝rand(10，20)m，w＝b/2，hm＝2m

通过MR数据和上面方程计算得出距离d，然后通过方法中描述的几何算法确定采样点的位置。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。