本發(fā)明涉及移動(dòng)通信領(lǐng)域中的無線業(yè)務(wù)支撐領(lǐng)域，具體涉及一種根據(jù)軟采信令的自適應(yīng)指紋定位方法。
背景技術(shù)：
：在商業(yè)應(yīng)用領(lǐng)域里，移動(dòng)通信網(wǎng)絡(luò)定位技術(shù)主要應(yīng)用在基于位置的服務(wù)(LocationBasedService，LBS)方面。移動(dòng)定位技術(shù)在其商業(yè)應(yīng)用的開發(fā)來說，目前不過是剛剛起步，除了某些特定的跟蹤或監(jiān)測(cè)用途，作為民用的巨大商業(yè)潛力尚待進(jìn)一步的開發(fā)。根據(jù)移動(dòng)用戶的位置，為用戶提供與位置相關(guān)的各項(xiàng)服務(wù)，如用戶定位、服務(wù)推介等，將成為未來手機(jī)業(yè)務(wù)中的主流趨勢(shì)?，F(xiàn)有的移動(dòng)終端定位方法主要有以下幾種：(1)通過衛(wèi)星定位(以GPS為代表)。(2)通過信號(hào)到達(dá)時(shí)間(TOA)、到達(dá)時(shí)間差、信號(hào)到達(dá)角度(AOA)或者以上幾種指標(biāo)綜合使用的混合定位方法。(3)使用小區(qū)ID+時(shí)間提前量(CellID+TA)定位方法，即利用移動(dòng)臺(tái)所占用的服務(wù)小區(qū)位置信息以及服務(wù)小區(qū)的TA進(jìn)行定位?，F(xiàn)有移動(dòng)終端定位方案存在以下問題：(1)通過衛(wèi)星定位(以GPS為代表)，在室外可以獲得較高的定位精度(誤差在10-50米)。然而，GPS定位需要手機(jī)終端具有GPS定位功能，一般只有智能手機(jī)滿足，普通的手機(jī)無法滿足；GPS無法在室內(nèi)進(jìn)行定位，且GPS定位是基于智能手機(jī)第三方的軟件的，網(wǎng)絡(luò)側(cè)很難獲得用戶的定位信息，即使獲得第三方軟件的數(shù)據(jù)，也涉及到數(shù)據(jù)解密等步驟而難以應(yīng)用。(2)通過信號(hào)到達(dá)時(shí)間(TOA)、到達(dá)時(shí)間差、信號(hào)到達(dá)角度(AOA)或者混合定位方法，定位誤差一般都在200米以上，無法滿足高精度的定位要求。(3)使用小區(qū)ID+時(shí)間提前量(CellID+TA)定位方法，即利用移動(dòng)臺(tái)所占用的服務(wù)小區(qū)位置信息以及服務(wù)小區(qū)的TA進(jìn)行定位，這種方式對(duì)通信網(wǎng)絡(luò)增加的負(fù)擔(dān)較小，但是定位精度較低。另外也有通過測(cè)量信號(hào)強(qiáng)度，然后用傳播模型計(jì)算距離的方法來定位的技術(shù)，但由于無線傳播環(huán)境的不同，這種方法也存在誤差比較大的問題。鑒于此，現(xiàn)有技術(shù)針對(duì)GSM網(wǎng)絡(luò)提出了多種基于SVR(支持向量回歸)的指紋匹配定位技術(shù)。通過對(duì)終端設(shè)備向基站上傳的測(cè)量報(bào)告(MeasurementReport,MR)及不同網(wǎng)絡(luò)覆蓋區(qū)域的指紋樣本庫(kù)進(jìn)行相關(guān)計(jì)算，得到最佳匹配位置。隨著移動(dòng)通信網(wǎng)絡(luò)的演進(jìn)，新型的LTE網(wǎng)絡(luò)開始普及；然而，在LTE網(wǎng)絡(luò)扁平化后，原來在2、3G時(shí)代能直接采集的測(cè)量報(bào)告(MR)數(shù)據(jù)，無法方便的采集到，這給指紋定位方法在LTE網(wǎng)絡(luò)中的實(shí)施造成了阻礙；而通過LTE的信令軟采集方式，可以從主設(shè)備上獲取到這些MR數(shù)據(jù)和Uu口相關(guān)消息；因此，在LTE軟采集信令分析系統(tǒng)上實(shí)現(xiàn)指紋定位技術(shù)變得可能?，F(xiàn)在，急需涉及一種，根據(jù)LTE軟采信令進(jìn)行高精度指紋定位的方法。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種根據(jù)軟采信令的自適應(yīng)指紋定位方法，通過該方法能夠有效提高定位精度。本發(fā)明采用的方案為：根據(jù)軟采信令的自適應(yīng)指紋定位方法包括以下步驟：第一步，離線路測(cè)采樣和模型訓(xùn)練階段，具體包括：(1)離線路測(cè)采集階段：通過路測(cè)終端采集路測(cè)信息，得到測(cè)量報(bào)告；所述測(cè)量報(bào)告中包括路測(cè)終端的位置坐標(biāo)、測(cè)量報(bào)告中所涉及到的小區(qū)的標(biāo)識(shí)信息以及測(cè)量報(bào)告在其所涉及到的每個(gè)小區(qū)上的場(chǎng)強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)；(2)模型訓(xùn)練階段：將每個(gè)測(cè)量報(bào)告作為一條訓(xùn)練樣本，構(gòu)建定位指紋庫(kù)，并根據(jù)定位指紋庫(kù)生成在線定位模型，包括：(2-1)將所述移動(dòng)網(wǎng)絡(luò)覆蓋區(qū)域劃分為邊長(zhǎng)為L(zhǎng)的柵格，并將柵格編號(hào)根據(jù)路測(cè)終端的位置坐標(biāo)，將訓(xùn)練樣本分配到對(duì)應(yīng)的柵格中；(2-2)將柵格的編號(hào)作為位于該柵格的訓(xùn)練樣本的分類標(biāo)識(shí)，分類標(biāo)識(shí)和訓(xùn)練樣本共同組成指紋數(shù)據(jù)記錄儲(chǔ)存在定位指紋庫(kù)中；(2-3)采用支持向量回歸算法對(duì)同一柵格內(nèi)的訓(xùn)練樣本進(jìn)行處理，得到每個(gè)柵格的SVR定位模型，用于計(jì)算帶定位移動(dòng)終端所處的經(jīng)度和緯度；(2-4)將所述SVR定位模型作為在線定位模型進(jìn)行存儲(chǔ)；第二步，在線定位階段，具體包括：通過信令軟采集獲取待定位移動(dòng)終端的測(cè)量報(bào)告，獲取測(cè)量報(bào)告中所涉及到的小區(qū)的標(biāo)識(shí)信息以及測(cè)量報(bào)告在其所涉及到的每個(gè)小區(qū)上的場(chǎng)強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)；根據(jù)該測(cè)量報(bào)告中所涉及到的小區(qū)的標(biāo)識(shí)信息，從定位指紋庫(kù)中篩選涉及相同小區(qū)的指紋數(shù)據(jù)記錄；將篩選出的每個(gè)指紋數(shù)據(jù)記錄所包含的訓(xùn)練樣本與在線傳入的移動(dòng)終端的測(cè)量報(bào)告計(jì)算歐氏距離；并從中篩選得到歐氏距離最小的訓(xùn)練樣本，根據(jù)其所對(duì)應(yīng)的柵格，選定該柵格為目標(biāo)柵格；將目標(biāo)柵格下的樣本數(shù)據(jù)與SVR定位模型離線學(xué)習(xí)得到的參數(shù)，進(jìn)行卷積計(jì)算，得到最終的預(yù)測(cè)經(jīng)緯度。第三步，定位指紋數(shù)據(jù)庫(kù)自適應(yīng)更新階段和SVR定位模型自適應(yīng)更新階段，具體包括：定位指紋數(shù)據(jù)庫(kù)自適應(yīng)更新階段：根據(jù)步驟(1)采集新的測(cè)量報(bào)告，并根據(jù)步驟(2-1)和(2-2)形成備用指紋數(shù)據(jù)記錄；根據(jù)所處柵格的SVR定位模型量化每一條指紋數(shù)據(jù)記錄對(duì)于定位計(jì)算結(jié)果的影響程度，并標(biāo)記每一條指紋數(shù)據(jù)記錄的入庫(kù)時(shí)間；根據(jù)量化的影響程度和入庫(kù)時(shí)間更新定位指紋庫(kù)，包括：根據(jù)指紋數(shù)據(jù)記錄的入庫(kù)時(shí)間，篩選入庫(kù)的時(shí)長(zhǎng)超過設(shè)定時(shí)間段的指紋數(shù)據(jù)記錄；將篩選出的記錄中量化的影響程度小于設(shè)定值的記錄剔除；如果定位指紋數(shù)據(jù)庫(kù)內(nèi)指紋數(shù)據(jù)記錄的數(shù)量低于設(shè)定數(shù)量，則補(bǔ)充新采集的備用指紋數(shù)據(jù)記錄進(jìn)指紋數(shù)據(jù)庫(kù)；SVR定位模型自適應(yīng)更新階段，包括：如果某一柵格內(nèi)的指紋數(shù)據(jù)記錄被剔除和/或補(bǔ)入，則根據(jù)剔除和/或補(bǔ)入后的指紋數(shù)據(jù)記錄更新該柵格的SVR定位模型。本方案的有益效果在于：本方案通過信令軟采實(shí)現(xiàn)了移動(dòng)終端的精確定位，適合于應(yīng)用到當(dāng)前最新的LTE通信網(wǎng)絡(luò)；通過最小歐氏距離值進(jìn)行柵格刪選，實(shí)施簡(jiǎn)單且有效，工作效率高；因?yàn)镾VR定位算法輸出精度受樣本數(shù)據(jù)的質(zhì)量、數(shù)量影響較大，因此在達(dá)到一定數(shù)量前需要持續(xù)的補(bǔ)入以滿足數(shù)量上的需要；同時(shí)需按照樣本數(shù)據(jù)的質(zhì)量(其對(duì)于定位結(jié)果的量化后的影響程度)剔除影響較小的樣本數(shù)據(jù)并更新SVR定位模型，避免SVR定位模型有過多的無效計(jì)算而增加有效計(jì)算；因此通過定位指紋庫(kù)的自我更新迭代機(jī)制，將使得整個(gè)定位方法的精度在一定程度上不斷提高。另外柵格內(nèi)的電磁環(huán)境也會(huì)因?yàn)闁鸥駜?nèi)建筑物、樹木等障礙物的改變而不斷發(fā)生變化，導(dǎo)致原先采集的樣本數(shù)據(jù)喪失準(zhǔn)確性，本方法，采取持續(xù)采集新樣本數(shù)據(jù)的步驟，通過周期性的剔除舊的樣本數(shù)據(jù)以及添入新采集的樣本數(shù)據(jù)，保證了定位模型的效力不因柵格環(huán)境因素發(fā)生過大改變而下降。通過不斷更新指紋庫(kù)，使得指紋庫(kù)樣本達(dá)到相對(duì)優(yōu)選的數(shù)量，同時(shí)通過更新迭代保持樣本數(shù)據(jù)的質(zhì)量、準(zhǔn)確性維持在較高水平，進(jìn)而隨每次更新所產(chǎn)生的SVR定位模型更為精確，從而保證了整個(gè)方法的定位精度。綜上所述，本方案通過定位指紋庫(kù)的自我更新迭代機(jī)制，將使得整個(gè)定位方法的精度在一定程度上不斷提高?？蛇x的，步驟(2)中，構(gòu)建定位指紋庫(kù)之前，對(duì)采集到的測(cè)量報(bào)告進(jìn)行篩選，將符合要求的測(cè)量報(bào)告數(shù)據(jù)用于構(gòu)建定位指紋庫(kù)；所述標(biāo)準(zhǔn)為：①測(cè)量報(bào)告數(shù)據(jù)中所涉及的小區(qū)個(gè)數(shù)大于等于4；②時(shí)延數(shù)據(jù)數(shù)值小于等于所采用測(cè)量報(bào)告數(shù)據(jù)標(biāo)準(zhǔn)允許的最大值；③測(cè)量報(bào)告數(shù)據(jù)所涉及的小區(qū)與該數(shù)據(jù)采樣點(diǎn)的距離小于等于3000米。這樣，保證每個(gè)測(cè)量報(bào)告都是可靠的以及攜帶了足夠的信息，保證指紋庫(kù)內(nèi)存在的制文數(shù)據(jù)記錄的質(zhì)量?？蛇x的，步驟(2)中，構(gòu)建定位指紋庫(kù)之前，將測(cè)量報(bào)告中的各測(cè)量值進(jìn)行歸一化預(yù)處理，將處理后的測(cè)量報(bào)告作為訓(xùn)練樣本，構(gòu)建定位指紋庫(kù)。這樣每個(gè)維度對(duì)于預(yù)測(cè)的影響程度得到了平衡，不會(huì)因?yàn)槟硞€(gè)數(shù)值的絕對(duì)值較大而對(duì)定位計(jì)算產(chǎn)生更多影響；平衡后的各參數(shù)值使得定位結(jié)果更為精確。可選的，第三步中指紋數(shù)據(jù)記錄的剔除步驟具體還包括：為每一條指紋數(shù)據(jù)記錄添加刪除/保留標(biāo)記；以及，將根據(jù)入庫(kù)時(shí)間篩選出記錄中量化的影響程度小于設(shè)定值的記錄標(biāo)記為刪除；當(dāng)?shù)竭_(dá)更新定位指紋庫(kù)的指定時(shí)間時(shí)，從所述定位指紋庫(kù)中剔除所有標(biāo)記為刪除的指紋數(shù)據(jù)記錄?？蛇x的，在第三步中的定位指紋數(shù)據(jù)庫(kù)自適應(yīng)更新階段，如果定位指紋數(shù)據(jù)庫(kù)內(nèi)指紋數(shù)據(jù)記錄的數(shù)量低于設(shè)定數(shù)量，則當(dāng)?shù)竭_(dá)更新定位指紋庫(kù)的指定時(shí)間時(shí)，補(bǔ)充新采集的備用指紋數(shù)據(jù)記錄進(jìn)指紋數(shù)據(jù)庫(kù)?？蛇x的，還包括為每一條指紋數(shù)據(jù)記錄添加版本標(biāo)記的步驟，并且在第三步中的SVR定位模型自適應(yīng)更新階段，將新添加的記錄的通過版本標(biāo)記進(jìn)行標(biāo)記；當(dāng)?shù)竭_(dá)更新定位指紋庫(kù)的指定時(shí)間時(shí)，通過版本標(biāo)記和刪除/保留標(biāo)記判斷一柵格內(nèi)的指紋數(shù)據(jù)記錄是否被剔除和/或補(bǔ)入，如果是，則根據(jù)剔除和/或補(bǔ)入后的指紋數(shù)據(jù)記錄更新該柵格的SVR定位模型。這樣的做法，方便于通過數(shù)據(jù)庫(kù)對(duì)各指紋記錄進(jìn)行管理，智能化程度高?？蛇x的，所述設(shè)定時(shí)間段為24小時(shí)。這樣的更新頻率足以保證定位精度，同時(shí)也不會(huì)為執(zhí)行本方法的系統(tǒng)帶來過多的工作負(fù)荷?？蛇x的，所述樣本的設(shè)定數(shù)量為2000條/柵格。樣本數(shù)大則定位更精確，但也要付出定位模型平均訓(xùn)練時(shí)間增加的代價(jià)，該設(shè)定數(shù)量使得模型的最大平均訓(xùn)練時(shí)間和平均定位精度達(dá)到一個(gè)平衡，適合于本方法的應(yīng)用實(shí)施。附圖說明圖1為本發(fā)明實(shí)施例中采用SMO啟發(fā)式算法進(jìn)行模型的學(xué)習(xí)訓(xùn)練的流程圖；圖2為本發(fā)明實(shí)施例中在線定位階段的流程圖；圖3為本發(fā)明實(shí)施例中SVR定位模型自適應(yīng)更新階段的流程圖；圖4為采用本發(fā)明實(shí)施例進(jìn)行定位時(shí)的預(yù)測(cè)平均誤差以及平均訓(xùn)練時(shí)間相對(duì)于每個(gè)柵格的樣本數(shù)量設(shè)定值變化的曲線圖。具體實(shí)施方式本實(shí)施例，針對(duì)中國(guó)移動(dòng)的LTE網(wǎng)絡(luò)，并以計(jì)算機(jī)程序的方式將方案部署在信令軟采分析系統(tǒng)內(nèi)；采用的方案為：第一步，MR數(shù)據(jù)采樣和模型訓(xùn)練階段，具體包括：(1)MR數(shù)據(jù)采集階段：采用符合中國(guó)移動(dòng)集團(tuán)所定標(biāo)準(zhǔn)的ATU(AuxiliaryTestUnit)，即測(cè)試自動(dòng)路測(cè)工具，進(jìn)行MR數(shù)據(jù)的采集，該工具集成有GPS模塊，因此，所述MR數(shù)據(jù)除了包括小區(qū)標(biāo)識(shí)信息以及其所涉及到的每個(gè)小區(qū)的場(chǎng)強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)外，還包括有每個(gè)采樣點(diǎn)的經(jīng)緯度。(2)模型訓(xùn)練階段：通過導(dǎo)入設(shè)備，將ATU中采集的數(shù)據(jù)上到系統(tǒng)主機(jī)的存儲(chǔ)設(shè)備內(nèi)；篩選符合條件的MR數(shù)據(jù)，本實(shí)施例采用了以下標(biāo)準(zhǔn)：1、所涉及的cell個(gè)數(shù)大于等于4；2、TA數(shù)值小于等于37；3、數(shù)據(jù)所涉及的小區(qū)與數(shù)據(jù)采樣的距離需小于等于3000米；將每個(gè)經(jīng)過篩選符合條件的MR數(shù)據(jù)作為一條訓(xùn)練樣本，構(gòu)建定位指紋庫(kù)；并根據(jù)定位指紋庫(kù)生成在線定位模型，包括：(2-1)將所述移動(dòng)網(wǎng)絡(luò)覆蓋區(qū)域劃分為邊長(zhǎng)為L(zhǎng)的柵格，并將柵格編號(hào)，根據(jù)每條MR數(shù)據(jù)的采樣點(diǎn)位置坐標(biāo)，將訓(xùn)練樣本分配都對(duì)應(yīng)的柵格中；(2-2)將柵格的編號(hào)作為位于該柵格的訓(xùn)練樣本的分類標(biāo)識(shí)，分類標(biāo)識(shí)和訓(xùn)練樣本共同組成指紋數(shù)據(jù)記錄儲(chǔ)存在定位指紋庫(kù)中。本實(shí)施例采用PostgreSQL數(shù)據(jù)庫(kù)建立指紋庫(kù)，每條指紋數(shù)據(jù)記錄表共有個(gè)基本字段，分別是：areaid：柵格編號(hào)，Long型；sampleid：同一柵格下的記錄編號(hào)，Int型；longitude：該條記錄采樣的經(jīng)度，Double型；latitude：該條記錄采樣的緯度，Double型；servingCellid：服務(wù)小區(qū)的識(shí)別信息，Int型；cellid0-7：7個(gè)非服務(wù)小區(qū)(鄰近小區(qū))的識(shí)別信息，可以為空，Int型；servingCellRsrp:服務(wù)小區(qū)的識(shí)別信息，對(duì)應(yīng)的場(chǎng)強(qiáng)數(shù)據(jù)(電平)，Double型；rsrp0-7：7個(gè)非服務(wù)小區(qū)(鄰近小區(qū))非服務(wù)小區(qū)對(duì)應(yīng)的場(chǎng)強(qiáng)數(shù)據(jù)(電平)，非服務(wù)小區(qū)識(shí)別信息空則為空，Double型；ta：與服務(wù)小區(qū)的時(shí)延，Int型；aoa：與服務(wù)小區(qū)的方向角,Int型。(2-3)采用支持向量回歸算法(SVR)對(duì)同一柵格內(nèi)的訓(xùn)練樣本進(jìn)行處理，得到每個(gè)柵格的SVR定位模型，用于計(jì)算帶定位移動(dòng)終端所處的經(jīng)度和緯度；在進(jìn)行處理前，更為優(yōu)選的做法是將10個(gè)指紋數(shù)據(jù)(servingCellRsrp、rsrp0-7、ta、aoa，即算法所需的10個(gè)向量維度)的值根據(jù)中國(guó)移動(dòng)所制定的標(biāo)準(zhǔn)進(jìn)行歸一化處理，具體的做法為：將servingCellRsrp、rsrp0-7的值除以140，ta的值除以37，aoa的值除以360，得到最后的算法輸入數(shù)據(jù)，這樣每個(gè)維度對(duì)于預(yù)測(cè)的影響程度得到了平衡。(2-4)將所述SVR定位模型作為在線定位模型進(jìn)行存儲(chǔ)；輸入數(shù)據(jù)通過核的映射，在高緯的空間里實(shí)現(xiàn)SVR回歸；在進(jìn)一步的測(cè)試評(píng)估中，發(fā)現(xiàn)徑向基核函數(shù)(RBF，又稱高斯核函數(shù))表現(xiàn)出較好的效果，故本實(shí)施里中采用的定位算法中SVR訓(xùn)練采用徑向基核函數(shù)進(jìn)行映射。例如，假設(shè)如下樣本：4個(gè)樣本，每個(gè)樣本4個(gè)維度，則當(dāng)j＝1,即第一個(gè)樣本的核卷積輸出為：其中(xi-x1)2為向量?jī)?nèi)積，此處σ取值為2。構(gòu)架模型時(shí)，對(duì)每個(gè)訓(xùn)練樣本做卷積，最終形成kernelvalue矩陣，。本實(shí)施例中，在所述高緯空間下構(gòu)造ε不敏感回歸估計(jì)如下：其中ε為誤差容忍度，ξ表示實(shí)際樣本超出ε的距離，C為懲戒參數(shù)，是否具有上標(biāo)*表示該點(diǎn)位于回歸線上方或者下方。本實(shí)施例采用SMO啟發(fā)式算法進(jìn)行模型的學(xué)習(xí)訓(xùn)練，匹配每個(gè)樣本的參數(shù)，具體為：用K表示上文中kernelvalue矩陣，根據(jù)SVR模型，迭代過程中第i個(gè)樣本輸入后，其預(yù)測(cè)輸出f(回歸計(jì)算結(jié)果)及該預(yù)測(cè)輸出f與實(shí)際值y之間的誤差E計(jì)算以如下：Ei＝fi-yi(30)因此，學(xué)習(xí)訓(xùn)練的目的則是，為每個(gè)訓(xùn)練樣本匹配最優(yōu)的lagrange乘子和b，以最小化E；在本實(shí)施例中E具體為，模型根據(jù)訓(xùn)練樣本數(shù)據(jù)預(yù)測(cè)出的經(jīng)度和緯度與指紋數(shù)據(jù)記錄中記錄的該訓(xùn)練樣本的采樣經(jīng)度和緯度。由于在啟發(fā)式SMO學(xué)習(xí)訓(xùn)練中，每次我們只優(yōu)化兩個(gè)lagrange乘子，擇有外層循環(huán)：1.首先在λi∈(-C,0)∪(0,C)中尋找違反KKT的λi,違反KKT條件可表示為：|yi-fi|≠ε(31)其中ε一般設(shè)置為10-3。2.當(dāng)λi∈(-C,0)∪(0,C)中所有λi都沒有違反KKT條件，則遍歷整個(gè)樣本中違反KKT的λi,違反KKT可表示為：如此直到所有樣本的遵循KKT條件。內(nèi)層循環(huán)：1.同樣在λi∈(-C,0)∪(0,C)中尋找對(duì)應(yīng)λi更新步長(zhǎng)最大的λj,其中更新步長(zhǎng)最大為尋找最大的ΔE：2.得到目標(biāo)λi,λj,接下來做進(jìn)一步的迭代更新：其中為外循環(huán)及內(nèi)循環(huán)得到的λi,λj。η＝Kvv+Kuu-2Kuv(35)進(jìn)一步第一次更新λi＝s*-λj(38)對(duì)于的情況做進(jìn)一步的調(diào)整：若且|λi|≥Δ∧|λj|≥Δ,則：若且|λi|≥Δ∧|λj|≥Δ該條件不滿足，則：其中step為不為0時(shí)取1。繼上述(39)(40)判別調(diào)整之后，再做進(jìn)一步的剪輯，保證λj落在可行域之內(nèi),其中：則剪輯后可得：最后更新閾值b：當(dāng)λu以及λv都在[-C,C]范圍內(nèi)，則：b＝bu＝bv(43)當(dāng)λu以及λv中有任何一個(gè)不落在[-C,C]范圍內(nèi)時(shí)，則：其中：在本實(shí)施例中，該算法具體的實(shí)施方法如圖1所示，此處，用alpha表示上文中的每個(gè)樣本所對(duì)應(yīng)的a所組成的向量(其維度為訓(xùn)練樣本的個(gè)數(shù))；首先初始化數(shù)據(jù)，根據(jù)所有的樣本建立kernelvalue矩陣，而后設(shè)置alpha和b的初始值為0，而具體的搜索包括：1non-bounded啟發(fā)式搜索i.首先遍歷alpha滿足條件域(-C,0)∪(0,C)，稱該些點(diǎn)為non-bounded，因?yàn)樵撔c(diǎn)在最終預(yù)測(cè)輸出中起著主導(dǎo)作用。ii.其次遍歷違反KKT條件的alpha，關(guān)于KKT條件，具體見式(31)，此外若不滿足該判斷，則跳出條件，返回alpha，b。iii.接著尋找更新步長(zhǎng)最大的第二個(gè)alpha，在non-bounded集合中遍歷，同時(shí)存貯當(dāng)前第一，第二個(gè)alpha，以便后面做進(jìn)一步計(jì)算；iv.進(jìn)一步更新目標(biāo)alpha，全過程對(duì)應(yīng)上文公式(34)～(42)，為SMO核心部分；v.對(duì)上文得到的alpha做判別，第一次判斷其是否有足夠的更新步長(zhǎng)，第二次判斷bounded的alpha集合是否為空，為空則沒必要繼續(xù)更新下去，第三次判斷，與上文相同，對(duì)應(yīng)公式(34)～(42)中的(39)，(40)，第四次判斷仍舊判斷alpha是否有足夠的步長(zhǎng)，至此，non-bounded啟發(fā)式更新alpha完成一次迭代；vi.最后更新b值同時(shí)返回alpha及b。如此，迭代完一次non-bounded集合，更新了違反KKT的alpha，將其封裝在nonBoundedLoop函數(shù)中。2.Bounded啟發(fā)式搜索Bounded啟發(fā)式搜索與上文的non-bounded相似，不同之處在于前者是在0,±C中更新alpha每個(gè)維度的值，由于過程中對(duì)結(jié)果起重要作用的是支持向量(即上文中每個(gè)維度取值在(-C,0)∪(0,C)集合內(nèi)的alpha)，故alpha每個(gè)維度取值為0,±C的屬次要，但其更新仍會(huì)影響支持向量發(fā)生相應(yīng)變化，故其仍需做進(jìn)一步遍歷迭代，過程如下：i.首先遍歷alpha滿足條件域0,±C，稱該些點(diǎn)為bounded，該些點(diǎn)在最終預(yù)測(cè)輸出中起著次要作用；ii.其次遍歷違反KKT條件的alpha，此外若不滿足該判斷，則跳出條件，返回alpha，b；iii.接著尋找更新步長(zhǎng)最大的第二個(gè)alpha，在全樣本集合中遍歷，同時(shí)存貯當(dāng)前第一，第二個(gè)alpha，以便后面做進(jìn)一步計(jì)算；iv.進(jìn)一步更新alpha，由于對(duì)內(nèi)層alpha的搜索是在全樣本中，故無需再進(jìn)行判斷搜索結(jié)果集是否為空，同時(shí)由于bounded集上的alpha在預(yù)測(cè)中起次要作用，故不再進(jìn)一步判斷其是否有足夠更新(這其中也有一部分原因是，該點(diǎn)在全樣本中搜索，即使更新步長(zhǎng)不夠大，也無法再更換其他點(diǎn))，全過程對(duì)應(yīng)上文公式(34)～(42)；v.最后更新b值同時(shí)返回alpha及b；如此，迭代完一次bounded集合，更新了違反KKT的alpha，將其封裝在BoundedLoop函數(shù)中。3.總的遍歷及判斷總的遍歷及判斷條件為：最高步數(shù)與全樣本改變量，兩者為與關(guān)系，后者又分為：改變量次數(shù)或是否遍歷全樣本，兩者為或關(guān)系。由于算法中alpha初始化為0向量，經(jīng)過1次遍歷之后，判斷是否遍歷了全樣本，若為否，再判斷其alpha改變次數(shù)是否為0，不為0則遍歷bounded集直到alpha改變量為0，再轉(zhuǎn)至non-bounded集遍歷，最終當(dāng)達(dá)到最高步數(shù)，或者遍歷了全部樣本且在non-bounded上的改變量為0，跳出循環(huán)，輸出結(jié)果。在結(jié)果輸出中，由于每個(gè)柵格需各自訓(xùn)練一次，所以每個(gè)柵格均對(duì)應(yīng)有各自的參數(shù)輸出，下面針對(duì)某個(gè)柵格舉例，該柵格的參數(shù)表輸出如表1所示，參數(shù)表包含6個(gè)字段，其中Area_ID(柵格編號(hào))未列出，id為該柵格下每個(gè)樣本的編號(hào)，alpha_lng，b_lng對(duì)應(yīng)經(jīng)度模型的學(xué)習(xí)結(jié)果，alpha_lat，b_lat對(duì)應(yīng)緯度模型的學(xué)習(xí)結(jié)果。idalpha_lngb_lngalpha_latb_lat1-7.07E-07113.1146114-1.15E-0623.111044122-7.95E-07113.11461141.72E-0723.111044123-7.42E-07113.1146114-1.77E-0623.111044124-7.10E-07113.1146114-1.98E-0723.1110441251.03E-07113.1146114-1.24E-0623.1110441268.93E-07113.11461142.24E-0723.1110441272.40E-07113.11461145.48E-0823.111044128-1.19E-06113.1146114-1.74E-0723.111044129-6.08E-07113.11461142.93E-0723.1110441210-5.92E-07113.11461143.79E-0723.1110441211-5.95E-07113.1146114-1.12E-0623.1110441212-7.36E-07113.1146114-1.20E-0623.11104412132.45E-06113.1146114-4.03E-0723.1110441214-1.13E-06113.1146114-1.53E-0723.11104412153.91E-07113.1146114-1.07E-0623.11104412161.17E-06113.1146114-2.33E-0723.11104412172.08E-07113.1146114-1.03E-0523.11104412183.32E-07113.1146114-1.17E-0623.11104412199.36E-07113.1146114-3.25E-0723.1110441220-1.62E-07113.11461144.72E-0723.1110441221-4.82E-08113.11461142.60E-0723.11104412224.07E-07113.1146114-1.04E-0723.1110441223-9.68E-07113.11461141.49E-0723.1110441224-6.53E-06113.1146114-1.20E-0523.11104412252.14E-07113.1146114-1.17E-0623.11104412表1輸出的參數(shù)表示例第二步，在線定位階段，具體包括：通過信令軟采獲取待定位移動(dòng)終端的實(shí)時(shí)MR數(shù)據(jù)，獲取實(shí)時(shí)MR數(shù)據(jù)中所涉及到的小區(qū)的標(biāo)識(shí)信息以及實(shí)時(shí)MR數(shù)據(jù)在其所涉及到的每個(gè)小區(qū)上的場(chǎng)強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)；根據(jù)該實(shí)時(shí)MR數(shù)據(jù)中所涉及到的小區(qū)的標(biāo)識(shí)信息，從定位指紋庫(kù)中篩選涉及相同小區(qū)的指紋數(shù)據(jù)記錄；根據(jù)涉及到的每個(gè)小區(qū)上的場(chǎng)強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)，計(jì)算實(shí)時(shí)MR數(shù)據(jù)與上一步中篩選出的每一條指紋數(shù)據(jù)記錄的歐拉距離；從而將該待定位移動(dòng)終端初步定位到上一步中歐拉距離值最小的職位數(shù)據(jù)記錄所在的柵格中；于是，調(diào)取該柵格下的所有指紋數(shù)據(jù)記錄和參數(shù)表，做以下操作：(1)當(dāng)訓(xùn)練樣本與實(shí)時(shí)傳入的檢測(cè)報(bào)告中的所有cell都相同表2如表2所示，假設(shè)實(shí)時(shí)傳入的數(shù)據(jù)包含4個(gè)cell，且該4個(gè)cell與第7個(gè)樣本下覆蓋的cell一致，則該核卷積通過rsrp、TA、AOA數(shù)據(jù)直接作如下處理：其中x實(shí)時(shí)為實(shí)時(shí)傳入數(shù)據(jù)，x7為指紋庫(kù)中第七個(gè)樣本數(shù)據(jù)，(-0.06,0.5,-0.13,0.5)為x實(shí)時(shí)與x74個(gè)小區(qū)下對(duì)應(yīng)的rsrp數(shù)據(jù)相減得到，0.2為x實(shí)時(shí)與x7的TA數(shù)據(jù)相減得到，0.3x實(shí)時(shí)與x7的AOA數(shù)據(jù)相減得到，之后做向量?jī)?nèi)積，得到0.6505，將dx代入下面公式得到：(2)當(dāng)樣本與實(shí)時(shí)傳入的數(shù)據(jù)部分cell相同，則取相同部分相減，不同部分補(bǔ)0對(duì)應(yīng)，再相減，再求內(nèi)積，核卷積，舉例如下：表3由表3可以看到實(shí)時(shí)傳入的數(shù)據(jù)與樣本數(shù)據(jù)第1個(gè)有三個(gè)小區(qū)相同，分別為：6723891、6723893、6700472，對(duì)于這3個(gè)，只需直接相減即可，而對(duì)于實(shí)時(shí)數(shù)據(jù)中的cell6723895，在樣本1里沒有出現(xiàn)，則相減的時(shí)候，把樣本1對(duì)應(yīng)位置補(bǔ)0，同樣，樣本1中cell6719203，在實(shí)時(shí)傳入數(shù)據(jù)中沒有，則相減的時(shí)候，在實(shí)時(shí)傳入數(shù)據(jù)對(duì)應(yīng)位置補(bǔ)0，同時(shí)TA與AOA計(jì)算如上部分，同樣計(jì)算如下:其中x實(shí)時(shí)為實(shí)時(shí)傳入數(shù)據(jù)，x1為指紋庫(kù)中第1個(gè)樣本數(shù)據(jù)，(-0.93，-0.05,-0.12,-0.056,0.8887)為x實(shí)時(shí)與x14個(gè)小區(qū)下對(duì)應(yīng)的rsrp數(shù)據(jù)相減得到，0.4為x實(shí)時(shí)與x1中TA數(shù)據(jù)相減得到，0.3為x實(shí)時(shí)與x1中AOA數(shù)據(jù)相減得到，之后做向量?jī)?nèi)積，得到1.924724，將dx代入下面公式得到：此即為當(dāng)樣本與實(shí)時(shí)傳入的數(shù)據(jù)部分cell相同時(shí)的卷積計(jì)算。(3)當(dāng)樣本與實(shí)時(shí)傳入的數(shù)據(jù)cell完全不同，則全部采取補(bǔ)0相減，計(jì)算過程與上述相同，TA與AOA計(jì)算如上部分。在核卷積遍歷目標(biāo)柵格下的所有樣本后，便形成了目標(biāo)樣本的kernel_value向量；再根據(jù)算式(30)取每個(gè)樣本對(duì)應(yīng)的kernel_value中的項(xiàng)以及參數(shù)表中alpha_lng列下的項(xiàng)做相乘求和計(jì)算后再加b，即可得到經(jīng)度的預(yù)測(cè)值輸出，維度的預(yù)測(cè)輸出也是同樣的道理，不同在于其使用的參數(shù)列為alpha_lat。第三步，定位指紋數(shù)據(jù)庫(kù)自適應(yīng)更新階段和SVR定位模型自適應(yīng)更新階段，具體包括：定位指紋數(shù)據(jù)庫(kù)自適應(yīng)更新階段：定時(shí)根據(jù)第一步中的方法采集新的MR數(shù)據(jù)，并形成備用指紋數(shù)據(jù)記錄；根據(jù)所處柵格的SVR定位模型量化每一條指紋數(shù)據(jù)記錄對(duì)于定位計(jì)算結(jié)果的影響程度，并為每一條指紋數(shù)據(jù)記錄添加刪除/保留標(biāo)記、版本標(biāo)記以及該指紋數(shù)據(jù)記錄的入庫(kù)時(shí)間，并根據(jù)刪除/保留標(biāo)記和入庫(kù)時(shí)間更新定位指紋數(shù)據(jù)庫(kù)。在本實(shí)施例中，每條指紋數(shù)據(jù)記錄還包含三個(gè)標(biāo)記字段：Version:版本號(hào)，integer型；Delete:刪除/保留標(biāo)記，Boolean型；Updatetime：入庫(kù)時(shí)間，timestampwithouttimezone型。該階段中指紋數(shù)據(jù)記錄的更新過程如下：根據(jù)指紋數(shù)據(jù)記錄的入庫(kù)時(shí)間，篩選入庫(kù)的時(shí)長(zhǎng)超過設(shè)定時(shí)間段的指紋數(shù)據(jù)記錄，本實(shí)施例中設(shè)定時(shí)間為24小時(shí)；由于Alpha值的大小在SVR定位模型中代表了樣本對(duì)結(jié)果預(yù)測(cè)的影響程度大小，在上一步驟的基礎(chǔ)上，標(biāo)記所屬Alpha值中的任意一個(gè)小于10-7的樣本為刪除，即Delete字段的值為ture；本實(shí)施例中指紋數(shù)據(jù)記錄每日更新一次，當(dāng)?shù)竭_(dá)指定每日的更新時(shí)間點(diǎn)時(shí)，從定位指紋數(shù)據(jù)庫(kù)中剔除所有Delete字段的值為TURE的指紋數(shù)據(jù)記錄；如果此時(shí)定位指紋數(shù)據(jù)庫(kù)中歸屬于某一柵格的指紋數(shù)據(jù)記錄的數(shù)量低于2000時(shí)，則將備用指紋數(shù)據(jù)記錄添加到定位指紋數(shù)據(jù)庫(kù)內(nèi)。SVR定位模型自適應(yīng)更新階段，在本實(shí)施例中該階段如圖3所示：是否更新SVR定位模型的判斷條件為：是否指定位指紋庫(kù)內(nèi)該柵格下存在Version字段為NULL的數(shù)據(jù)；是否指定位指紋庫(kù)內(nèi)該柵格下存在Delete字段標(biāo)記為TRUE的數(shù)據(jù)；如果某一柵格下的指紋數(shù)據(jù)記錄滿足上述條件之一則表示該柵格內(nèi)的指紋數(shù)據(jù)記錄發(fā)生更新，進(jìn)而根據(jù)更新后的指紋數(shù)據(jù)記錄更新該柵格的SVR定位模型；SVR定位模型的更新，同樣采用圖1中所示的流程重新尋找最優(yōu)參數(shù)，并輸出參數(shù)表。更新后，將該柵格內(nèi)每個(gè)指紋數(shù)據(jù)記錄的版本標(biāo)記設(shè)定為較當(dāng)前版本次一級(jí)新的版本，即，Version字段的值為NUll的，將被重新設(shè)定為1,其他Version字段的值非NULL的則直接加1，這樣，多次更新后便有了多個(gè)版本(Version字段的值為1、2、3……)的指紋數(shù)據(jù)記錄。下面通過測(cè)量精度說明本實(shí)施例的定位效果：具體的，采用柵格的邊長(zhǎng)L為100米，每個(gè)柵格的樣本數(shù)設(shè)定值為2000，由于采用了更新原則，每個(gè)柵格的樣本數(shù)逐步增加，最終保持在1500到2000以內(nèi)。參數(shù)設(shè)定如下：在經(jīng)度SVR模型中：懲戒參數(shù)C＝100,最大搜尋步數(shù)maxStep＝10000,σ取值guassian_delta＝0.055；緯度SVR模型種僅有的不同為采用另一的σguassian_delta＝0.08；表41000條預(yù)測(cè)樣本定位誤差統(tǒng)計(jì)從表4中可以看出，在1000條預(yù)測(cè)樣本中，10米誤差內(nèi)的比例約為84％，20米誤差內(nèi)的比例為91％。表5另外，此處定義預(yù)測(cè)平均誤差為：經(jīng)度平均誤差為所有經(jīng)度預(yù)測(cè)值與實(shí)際經(jīng)度值的差值之和除以預(yù)測(cè)樣本數(shù)量；緯度平均誤差為所有緯度預(yù)測(cè)值與實(shí)際經(jīng)度值的差值之和除以預(yù)測(cè)樣本數(shù)量；預(yù)測(cè)平均誤差＝(緯度平均誤差+經(jīng)度平均誤差)/2。圖4中由左至右下降的曲線表示預(yù)測(cè)平均誤差，由左至右上升的曲線表示平均訓(xùn)練時(shí)間，如表5以及圖4所示，通過改變每個(gè)柵格的樣本數(shù)量設(shè)定值，作出的對(duì)于計(jì)算時(shí)間和定位精度的對(duì)比得知，雖然樣本數(shù)量增大可以使結(jié)預(yù)測(cè)平均誤差越小，但卻是以平均訓(xùn)練時(shí)間為代價(jià)的；而當(dāng)樣本數(shù)量控制在(1500,2000]范圍內(nèi)時(shí)，平均訓(xùn)練時(shí)間僅為895秒，預(yù)測(cè)平均誤差達(dá)到了5.46663E-05的水平；將樣本數(shù)量提升至(2000,3000]內(nèi)時(shí)，平均訓(xùn)練時(shí)間猛增至2557，增加了接近兩倍，預(yù)測(cè)平均誤差僅下降至4.12434E-05水平，帶來的下降十分有限；因此本實(shí)施例中的選擇將樣本數(shù)量控制在(1500,2000]范圍內(nèi)。以上所述的僅是本發(fā)明的實(shí)施例，方案中公知的具體結(jié)構(gòu)及特性等常識(shí)在此未作過多描述，所屬領(lǐng)域普通技術(shù)人員知曉申請(qǐng)日或者優(yōu)先權(quán)日之前發(fā)明所屬
技術(shù)領(lǐng)域：
所有的普通技術(shù)知識(shí)，能夠獲知該領(lǐng)域中所有的現(xiàn)有技術(shù)，并且具有應(yīng)用該日期之前常規(guī)實(shí)驗(yàn)手段的能力，所屬領(lǐng)域普通技術(shù)人員可以在本申請(qǐng)給出的啟示下，結(jié)合自身能力完善并實(shí)施本方案，一些典型的公知結(jié)構(gòu)或者公知方法不應(yīng)當(dāng)成為所屬領(lǐng)域普通技術(shù)人員實(shí)施本申請(qǐng)的障礙。應(yīng)當(dāng)指出，對(duì)于本領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明結(jié)構(gòu)的前提下，還可以作出若干變形和改進(jìn)，這些也應(yīng)該視為本發(fā)明的保護(hù)范圍，這些都不會(huì)影響本發(fā)明實(shí)施的效果和專利的實(shí)用性。本申請(qǐng)要求的保護(hù)范圍應(yīng)當(dāng)以其權(quán)利要求的內(nèi)容為準(zhǔn)，說明書中的具體實(shí)施方式等記載可以用于解釋權(quán)利要求的內(nèi)容。當(dāng)前第1頁(yè)1 2 3