盧 山

（中國移動通信集團山西有限公司，山西 太原 030032）

0 引言

隨著移動互聯(lián)網(wǎng)的迅猛發(fā)展，基于位置的服務(wù)（LBS）廣泛應(yīng)用于人們的工作和生活之中。由于各種各樣的無線網(wǎng)絡(luò)信號充斥于人們的工作與生活空間，因此基于無線網(wǎng)絡(luò)信號獲取用戶位置日益成為的用戶定位領(lǐng)域的熱點課題[1]，基于無線網(wǎng)絡(luò)信號獲取用戶位置的優(yōu)勢在于無線網(wǎng)絡(luò)信號具有泛在性且其部署成本較低。MR定位是較為新興的基于移動通信網(wǎng)絡(luò)的用戶定位方法。利用MR中的用戶終端接收周圍小區(qū)的場強，再通過數(shù)學(xué)模型推斷用戶位置，其平均定位精度可達50 m~100 m。MR指紋定位算法[2]是為網(wǎng)絡(luò)覆蓋區(qū)域的每個位置建立信號特征指紋，該特征指紋即從網(wǎng)絡(luò)角度代表用戶的位置，與網(wǎng)絡(luò)覆蓋的實際位置基本存在一一映射的關(guān)系，可以獲得較高的定位精度。該文以MR指紋定位技術(shù)為基礎(chǔ)，賦能一個基于最小化路測（ Over The Top, OTT；Minimization of Drive-Tests，MDT ）訓(xùn)練數(shù)據(jù)的在線學(xué)習(xí)系統(tǒng)，研究與構(gòu)建了一套具備在線學(xué)習(xí)能力的MR定位系統(tǒng)。MR智能定位系運行過程中可以實現(xiàn)對指紋模型參數(shù)、指紋模型參數(shù)自適應(yīng)工參變化以及定位算法參數(shù)進行自學(xué)習(xí)的功能，以弱化網(wǎng)絡(luò)變化或者無線環(huán)境變化對定位性能的影響。

1 基于移動網(wǎng)絡(luò)的用戶定位技術(shù)概述

移動通信網(wǎng)絡(luò)無處不在，只要用戶終端進行通信，就會產(chǎn)生信令數(shù)據(jù)，而且可以零成本獲得這些信令數(shù)據(jù)。正是由于移動網(wǎng)絡(luò)及數(shù)據(jù)具有泛在性和低成本性的特點，因此研究基于移動網(wǎng)絡(luò)的用戶定位成為獲取用戶位置的熱點課題。OTT/MDT數(shù)據(jù)是一種帶有經(jīng)緯度坐標的消息（下文為位置消息），當(dāng)用戶終端執(zhí)行輔助全球衛(wèi)星定位系統(tǒng)(Assisted Global Positioning System，AGPS )業(yè)務(wù)、MDT業(yè)務(wù)或者導(dǎo)航業(yè)務(wù)時，會產(chǎn)生這類消息。MR是信令消息的一種，是用戶終端在執(zhí)行通信過程中周期性或者在事件觸發(fā)時上報給網(wǎng)絡(luò)的消息，其不僅包括時間、小區(qū)以及用戶標識信息，而且包括主服務(wù)小區(qū)和相鄰小區(qū)的場強信息。

2 MR指紋定位系統(tǒng)

2.1 訓(xùn)練MR數(shù)據(jù)

OTT/MDT數(shù)據(jù)不僅包括時間、小區(qū)以及用戶標識信息，而且包括用戶的位置信息。該定位方法雖然只覆蓋極少數(shù)的用戶，但是能夠滿足指紋訓(xùn)練的需求。

基于時間、用戶標識、服務(wù)小區(qū)標識、MMEUeS1APId（4G）或者AMFUENGAPID（5G）將OTT/MDT與MR進行關(guān)聯(lián)，生成帶位置坐標的MR數(shù)據(jù)，將其作為定位系統(tǒng)的訓(xùn)練MR數(shù)據(jù)。

2.2 柵格指紋庫

指紋（Fingerprint，F(xiàn)P）是對特定位置信號特征的刻畫，不同位置指紋的差異是指紋定位的基礎(chǔ)，一個指紋一般由一個或多個信號特征模型(下文稱為Finger)組成。

柵格指紋利用柵格區(qū)域代表一個位置區(qū)域，柵格尺度為10 m×10 m，采用混合高斯模型（Gaussian Mixed Model，GMM）來描述柵格指紋?？紤]到信號量（例如參考信號接收功率： Reference Signal Receiving Power，RSRP）在測量過程中會存在噪聲誤差（即在同一個位置信號量不是一個不變值，而是疊加了噪聲），因此該技術(shù)方案采用高斯分布N（μ、σ2）對Finger進行描述,其中μ是信號量的平均值，σ2是信號量的方差，即對訓(xùn)練數(shù)據(jù)中的每一個無線網(wǎng)絡(luò)信號的信號測量值進行高斯處理。

采用GMM模型來刻畫柵格指紋的原因是一個柵格中的MR信號量分布往往并不接近高斯分布，例如一個柵格中可能存在室內(nèi)和室外兩類訓(xùn)練MR數(shù)據(jù)。該技術(shù)方案默認混合高斯模型的分量為2個（也可以設(shè)置更多，具體看實際的信號復(fù)雜程度）。

混合高斯指紋模型如公式（1）所示，包括2個高斯分量的高斯指紋。

式中：fingeri為柵格指紋的第i個手指(Finger)；menanij代表fingeri的第j個高斯分量的平均值；stdij代表fingerj的第j個高斯分量的標準方差；αij為每個高斯分量在混合高斯分布中所占的比重，；weighti為 每 個finger在Fingerprint中的權(quán)重，即對應(yīng)RSSI出現(xiàn)次數(shù)的歸一化值，且；Confidence1為finger的置信度，在指紋庫健康性監(jiān)測時會用到Confidence1，便于了解指紋庫的可靠性。

在生成混合高斯模型柵格指紋的過程中，首先，根據(jù)訓(xùn)練MR數(shù)據(jù)位置信息將MR數(shù)據(jù)映射到對應(yīng)的柵格；其次，通過期望最大化（Expectation Maximization Algorithm，EM）算法對柵格中的MR信號量進行分類，每類信號量分別生成對應(yīng)的高斯分量參數(shù)，即生成了混合高斯柵格指紋。

2.2 MR指紋定位算法

MR指紋定位算法就是指紋匹配算法，主要采用樸素貝葉斯估計算法計算某MR在柵格中的概率值，取概率值最大的柵格，即為該MR所在的柵格位置，如公式（2）所示。

式中：P(MR)是邊際概率；P(GridA)為先驗概率；GridA代表柵格A；P(MR|GridA)為似然函數(shù)，表示在已知柵格A的情況下，最可能出現(xiàn)MR的概率。

例如，下面是數(shù)據(jù)集中的第i個MR數(shù)據(jù)。

其中ecij和RSRPij分布是MRi的第i個小區(qū)標識和第j個信號場強。

由于混合高斯分布的形式如公式（3）、公式（4）所示。

式中：αk為每個高斯分量在混合高斯分布中所占的比重，；Θk為第k個高斯分量的參數(shù)；yi為第i個RSRP值；uk為第k個高斯分量的均值；∑k為第k個高斯分量的協(xié)方差。

綜上可計算得P(MR|Gridi)(i=A,B,…)各個柵格的概率值，選取后驗概率最大的柵格，即為該MR的位置。

3 在線學(xué)習(xí)機制

3.1在線學(xué)習(xí)系統(tǒng)架構(gòu)

基于OTT/MDT MR訓(xùn)練數(shù)據(jù)的在線學(xué)習(xí)系統(tǒng)架構(gòu)圖如圖1所示。

圖1 基于OTT/MDT MR訓(xùn)練數(shù)據(jù)的在線學(xué)習(xí)系統(tǒng)架構(gòu)圖

其中位置回填是將OTT/MDT中的位置數(shù)據(jù)與MR中的信號場強信息進行關(guān)聯(lián)，生成訓(xùn)練MR數(shù)據(jù)。

生成訓(xùn)練MR數(shù)據(jù)后可以實現(xiàn)指紋參數(shù)自適應(yīng)工參變化、指紋參數(shù)自學(xué)習(xí)以及定位算法參數(shù)自學(xué)習(xí)的功能。

3.2 指紋參數(shù)自學(xué)習(xí)

利用訓(xùn)練MR數(shù)據(jù)對指紋參數(shù)，即每個Finger的GMM參數(shù)（每個分量的平均值、標準方差和分量權(quán)重）進行訓(xùn)練。

由于不同類型的MR數(shù)據(jù)的可靠性不同，因此可以設(shè)置不同的權(quán)重因子來對數(shù)據(jù)進行區(qū)分，然后融合生成指紋。

考慮無線傳播環(huán)境是會變化的，網(wǎng)絡(luò)也是會變化的，因此MR收集時間距離定位時間點的時間越長，有效性越低，MR也需要用權(quán)重來區(qū)別。

為了簡化算法，且便于維護與優(yōu)化，只通過時間權(quán)重來區(qū)分2類數(shù)據(jù)（過往數(shù)據(jù)權(quán)重及本期數(shù)據(jù)權(quán)重）。初次構(gòu)建指紋庫時，只有本期權(quán)重，即權(quán)重為1。

利用收集的訓(xùn)練MR數(shù)據(jù)更新現(xiàn)有的GMM指紋的過程如下。

現(xiàn)假設(shè)某柵格號A有n條訓(xùn)練MR數(shù)據(jù)，而現(xiàn)有的數(shù)據(jù)是以某小區(qū)eci1為主小區(qū)的所有MR數(shù)據(jù)，所以該柵格A內(nèi)可能有多條MR數(shù)據(jù)，但主小區(qū)均為eci1。數(shù)據(jù)如下。

現(xiàn)提取該柵格內(nèi)的所有小區(qū)及其對應(yīng)的電平（RSRP），得到的數(shù)據(jù)如下。

將歷史生成的上述電平數(shù)據(jù)以文件的形式保存下來，與新收集的電平數(shù)據(jù)合并，利用混合高斯分布生成每個finger的混合高斯指紋。

3.3 指紋參數(shù)自適應(yīng)工參變化

新建站、擴容以及PCI規(guī)劃等日常網(wǎng)絡(luò)運維會導(dǎo)致工程參數(shù)處于動態(tài)變化中。工程參數(shù)的變化會對指紋造成直接影響，導(dǎo)致前期生成的柵格指紋不能準確反映當(dāng)前的網(wǎng)絡(luò)覆蓋情況，甚至使柵格指紋完全失效。

因此，需要通過自學(xué)習(xí)算法讓柵格指紋庫快速、自動地適應(yīng)工程參數(shù)的變化，時刻為MR指紋定位提供一個可靠、準確的指紋信息。

柵格指紋自適應(yīng)更新。柵格指紋中的某ECI對應(yīng)的小區(qū)工程參數(shù)發(fā)生變化，則ECI對應(yīng)的Finger自動進行修正，以補償該變化，具體實現(xiàn)算法如下。

Finger中的指紋是由GMM生成的均值(mean)、方差(variance)和分量權(quán)重(prior)組成的。為了便于指紋更新，其附帶了生成指紋的中間結(jié)果信息(其中COUNT是RSSI的個數(shù))。工程參數(shù)的調(diào)整可以使發(fā)生變化。

3.4 柵格指紋老化處理

最新的訓(xùn)練MR數(shù)據(jù)更能夠反映當(dāng)前的位置信號特征，因此為了保證新的訓(xùn)練數(shù)據(jù)以較高的權(quán)重參與生成指紋的過程，舊數(shù)據(jù)隨著時間的流失在指紋生成中的效用也逐漸降低，在指紋生成中采用老化系數(shù)來對新舊數(shù)據(jù)進行加權(quán)處理，如公式（5）所示。

式中：α為老化系數(shù)，α=0~1；Countn-1為該次指紋更新之前積累的 MR 個數(shù)。Countn為該次與之前通過老化處理后合并的MR個數(shù)。

3.5 定位算法參數(shù)自學(xué)習(xí)

該方案指紋匹配算法采用的是樸素貝葉斯()算法，其本身由最大似然、先驗概率和邊緣概率組成。該方案對先驗概率進行改造，構(gòu)造了均衡函數(shù)以控制先驗概率對匹配結(jié)果的影響。下文介紹使用訓(xùn)練MR數(shù)據(jù)對貝葉斯模型進行訓(xùn)練的過程。

3.5.1 先驗概率自學(xué)習(xí)

影響貝葉斯模型匹配效果的參數(shù)主要是公式（6）中先驗概率P（MR|GridA），該算法通過設(shè)計弱化函數(shù)對其進行均衡處理（弱化處理）。

說明：由于P（MR|GridA）本身是位于區(qū)間[0,1]的數(shù)值，因此通過將index設(shè)置為[0,1]可以弱化其對計算概率的影響，同時通過控制index的大小可以控制其弱化程度。

考慮到不同指紋Finger個數(shù)對先驗概率的要求不同，因此需要分別對不同F(xiàn)inger的MR進行訓(xùn)練。首先，設(shè)置目標函數(shù)。目標函數(shù)是根據(jù)對該平臺性能平均的指標來確定的，設(shè)置為實際位置與定位位置偏差≤100m的占比。每次迭代時，僅對index、index+0.1以及index-0.1設(shè)置值進行比較求最佳。

3.5.2 缺省標準差

對于小區(qū)ECI對應(yīng)的RSSI集合不能滿足構(gòu)建Gauss模型的情況，通過賦值缺省Default Gauss Variance建立Gauss模型?？梢詫υ揈CI其他柵格的Gauss Variance進行加權(quán)平均得到，權(quán)值設(shè)為柵格距離的倒數(shù)。當(dāng)訓(xùn)練MR數(shù)據(jù)累積到一定門限（例如20個RSSI值）時，自動切換到標準高斯模型參數(shù)求解過程。

4 MR智能定位系統(tǒng)的應(yīng)用

將MR智能定位系統(tǒng)投入山西移動日常生產(chǎn)中。下面是利用2019年4月和5月的定位結(jié)果對定位算法性能進行評估。選擇具有道路、居民區(qū)、商務(wù)區(qū)以及城中村等場景在內(nèi)的30 km2區(qū)域進行算法測試。

MR智能定位系統(tǒng)的在線學(xué)習(xí)能力通過自動調(diào)整系統(tǒng)參數(shù)來適應(yīng)數(shù)據(jù)和網(wǎng)絡(luò)環(huán)境的變化，在系統(tǒng)運行中具有提升定位精度和穩(wěn)定性的作用。

5 結(jié)語

基于移動網(wǎng)絡(luò)進行用戶定位的挑戰(zhàn)在于移動網(wǎng)絡(luò)的自身變化和無線環(huán)境的變化都存在較大的不確定性，難以保證定位精度和定位性能。該技術(shù)方案構(gòu)建的 MR智能定位系統(tǒng)以建立GMM柵格指紋庫并利用樸素貝葉斯指紋匹配算法作為MR定位的基礎(chǔ)算法。在該基礎(chǔ)上，利用在線獲得的訓(xùn)練MR數(shù)據(jù)對指紋參數(shù)和樸素貝葉斯定位參數(shù)進行在線訓(xùn)練，確保算法模型參數(shù)能夠真實反映無線網(wǎng)絡(luò)自身的變化和無線網(wǎng)絡(luò)環(huán)境的變化，從而保證MR定位具有較高的精確性和穩(wěn)定性。