[发明专利]一种基于路测数据与机器学习的目标定位方法

说明书

技术领域

本发明属于大数据应用和人工智能领域，涉及一种基于路测数据与机器学习的目标定位方法。

背景技术

近年来，“大数据”、“机器学习”、“云计算”已经成为当今人们生产和生活的热点词汇，无处不在的社会和商业活动源源不断地产生各种数据，结合高效且发展迅速的机器学习技术，推动着新一代的信息通信技术迅猛发展。

另一方面，随着地理信息系统技术、卫星定位技术以及通信技术的日趋成熟，个人定位和轨迹记录变得简单快捷，基于位置的服务正在迅速普及，也日益受到人们的重视，并显示出巨大的经济和社会效益。特别是在城市现代化建设的今天，构建智慧型城市处处离不开位置服务信息的支持，高质量、多样化的位置服务可使得人们的生产生活更加方便快捷。

基于位置服务质量的提高，离不开高效率、高精准度的定位技术。目前如 GPS、WLAN、射频、蓝牙等定位技术虽已不同程度的在不同领域被应用，但是由于自身技术或硬件成本等条件的限制，各定位技术并不能适应于各种场景而被广泛的推广使用。

基于路测数据与机器学习的目标定位方法，依赖路测采集现有运营商基站覆盖信息建立离线基础数据库，通过机器学习算法建立离线知识库，最终根据移动终端上报的基站数据信息进行在线机器学习运算从而实现移动终端的位置定位。

在数据处理过程中，通过机器学习算法建立离线知识库是关键。以路测数据的主邻区强度信号特征作为输入信号向量vt，利用机器学习算法中的神经网络(BP)算法从vt中提取无线信号特征，计算在每个网络位置的当前概率。提取的过程是自底向上的两个相邻层之间的特征，通过学习建立离线模型知识库。在线的实时定位，既是对已有模型知识库的匹配调用。

发明内容

本发明基于现有应用和技术背景，通过运用机器学习算法对大量路测数据的处理分析，提出一种基于路测数据与机器学习的目标定位方法。该方法首先对目标定位区域进行大量且密集的路测数据采集，然后通过已定义的数据预处理方法和机器学习方法建立离线模型知识库，最后运行机器学习算法对移动终端实时上报的路测数据进行在线学习计算，从而确定出移动终端的物理位置。

本发明的有益效果是：通过对路测数据的研究，充分考虑数据信号强度与地理位置的相关性，提出运用神经网络算法对这种相关性进行机器学习建模，最终通过数据的筛选以及模型的调用实现移动终端的位置定位。该方法能够不依赖于GPS信号和其他昂贵硬件设施，单纯依赖已有运营商基站网络设施和机器学习算法开发就可实现移动终端的定位，弥补了现有GPS信号缺失或成本昂贵等定位条件的不足。

附图说明

图1为城市路测数据采集示意图；

图2为采集点参数示意图；

图3为定位流程图；

图4为神经网络模型训练示意图；

图5为目标定位结果示意图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，对定位目标区域运用专业路测设备进行基站路测数据的采集，其中采集轨迹依循城市道路建设情况。图中的每一个三角标记代表一个数据采样点，每一个采样点包含移动、联通、电信的各制式数据以及WIFI数据信息。以电信4G为例，所含主要参数信息如图2所示。结合图3来说明本发明的具体实施步骤：

步骤一：针对目标定位区域运用专业路测设备进行大量且密集的基站覆盖信息数据采集，作为应用的基础数据；

步骤二：对基础数据进行预处理，包括针对每个数据点主邻区强度信号的归一化处理，保证应用数据的规格统一性，降低数据偏差带来的影响；过滤噪音数据和主区为空的数据，对于同一点位，若某个数据参数值严重偏离大部分的数据情况，严重不符合逻辑，即认为该数据为漂移噪音数据，应该剔除；去除相同数据带来的冗余，冗余数据会严重的干扰匹配算法的准确性和效率；

步骤三：建立离线模型知识库，也即基于路测数据神经网络模型的训练学习。如图3所示，离线知识库的学习过程是基于DNN结构的概率估计。DNN 结构是k-200-200-200-N结构的网格，最下面是输入层，上面是输出层，中间三层是隐藏层。其中，K对应于信号维度，N对应于位置编号的大小，中间隐藏层数据根据实际情况作相应调整。是第i-1层到第i层的连接参数，是第i层的偏置项。使用BP算法训练深度神经网络，就是确定每层的参数和，进而建立离线知识库。

t时刻输入信号向量v^t，DNN从v^t中提取无线信号的特征，计算在每个网格位置的当前概率。提取的过程是自底向上的两个相邻层之间的特征。传递函数如下：