基于神经网络的MR精准定位

2019-12-10盛莉莉中国联通江苏分公司江苏南京009中国联通南京分公司江苏南京0000

邮电设计技术 2019年11期

张进，盛莉莉，冷俊（.中国联通江苏分公司，江苏南京 009；.中国联通南京分公司，江苏南京 0000）

1 概述

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）是指基站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、基站天线、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。

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：

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），某个区域基站拓扑发生变化，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。

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。

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，终端就能向基站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。

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。

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。

论文扩展的四旋翼飞行器避障功能可以实现飞行过程中躲避空中的树枝等有空隙的障碍物，但由于设计的避障程序并没有考虑遇到没有空隙的障碍物的情况，因此如果遇到墙壁等没有空隙的障碍物时只能靠操作者自主躲避，曾想模仿二维走迷宫的算法使用堆栈存储路径做到自主寻路，但是由于空中环境的复杂性与四旋翼飞行器自身的限制，暂未发现高效算法来实现。四旋翼飞行器因其结构的对称性以及正反桨的应用使其对比其他飞行器具有相对优秀的平衡能力与较为简单的操作方法，可以预见随着无人机的发展，在未来生活中它将会越来越大众化，为人类带来越来越多的便利，因此对四旋翼飞行器的结构、原理以及飞行动作进行探讨具有较好的现实意义。

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。

c）MR定位结果10、50 m栅格化结果汇聚。

d）MR 和XDR 关联，提取应用所需要的异常信令事件。

数据合成后采用标准表结构，将关联后的MR 用户级/栅格级数据作为一种共享层资源，统一存放在Hadoop 平台中，支撑上层应用，如MR 栅格化指标输出，信令/MR关联、弱覆盖簇分析、用户/终端/网络多维度聚类等。

图3示出的是MR大数据平台系统构架。