[发明专利]一种采用深度学习融合网络模型确定手机用户位置的方法

权利要求书

1.一种采用深度学习融合网络模型确定手机用户位置的方法，其特征在于有下列处理步骤：

步骤一，对用户手机记录数据和工参数据利用深度学习中的栈式自编码器和卷积神经网络分别提取出小区BS的工参特征SAE_Features和地形高度特征Cen_Area；而后将其输入到全连接神经网络进行特征融合，使两种不同的特征能够进行共享并预测出用户的经纬度位置，从而实现高精度定位；

所述小区BS是指每个移动通信基站都存在有自已的覆盖区域，对所述覆盖区域采用信号强弱划分为多个小区；

步骤二，采用深度学习中的栈式自编码器方法对用户手机能够接收到多个小区BS的信号、经纬度特征、手机位置的室内标签或者外标签进行处理，得到栈式自编码器模型的输入特征，记为Model_Features；然后将Model_Features在栈式自编码器模型中进行训练，得到手机用户所在位置是属于室内还是室外；若为室内，则执行步骤一；若为室外，则执行步骤三；

步骤三，采用深度学习中的栈式自编码器对用户手机记录数据和工参数据进行处理，得到连续时段内手机用户的位置轨迹；然后采用深度学习中的长短时记忆网络对所述手机用户的位置轨迹进行纠偏，得到纠偏后位置轨迹；最后采用卡尔曼滤波对纠偏后位置轨迹进行平滑处理，得到优化后的手机用户的位置轨迹。

2.根据权利要求1所述的采用深度学习融合网络模型确定手机用户位置的方法，其特征在于：在步骤一的具体步骤为：

步骤11：将手机记录数据和工参数据作为栈式自编码器的输入信息，通过过滤、清洗及归一化等处理得到栈式自编码器的输入特征；

手机周边小区的工参数据格式：

[CRS_RSRP,M_Lon,M_Lat,

M_Azimuth,M_Tilt,M_Height,M_Power，

N1_RSRP,N1_Lon,N1_Lat,

N1_Azimuth,N1_Tilt,N1_Height,N1_Power,

N2_RSRP,N2_Lon,N2_Lat,

N2_Azimuth,N2_Tilt,N2_Height,N2_Power,

N3_RSRP,N3_Lon,N3_Lat,

N3_Azimuth,N3_Tilt,N3_Height,N3_Power]

其中，工参数据属于主小区M，剩余的工参数据属于选出的最有代表性的3个邻区Ni(i＝1,2,3)，即模型中栈式自编码器部分所需的输入为28个元素；

而后要对以上28个元素按照不同的参数类别进行归一化，其中归一化的公式分别为：

对于经纬度坐标，包括手机用户当前的经纬度坐标(U_Lon,U_Lat)和所有小区的经纬度坐标(BS_Lon,BS_Lat)，由于不同地区的经纬度范围不同，因此采用了相对经纬度，即首先求出每条手机记录中4个小区的质心经纬度(Cen_Lon,Cen_Lat)，计算公式为：

而后对每个经纬度坐标首先计算与质心经纬度的差值(Lon_Offset,Lat_Offset)，再对该差值进行归一化，计算公式如下：

Lon_相对值＝Lon_原始值-Cen_Lon，

Lat_相对值＝Lat_原始值-Cen_Lat；

因此，模型中栈式自编码器部分所需的归一化后的输入格式SAE_Features如下：

[CRS_RSRP_归一化,M_Lon_{相对值归一化},M_Lat_{相对值归一化},

M_Azimuth_归一化,M_Tilt_归一化,M_Height_归一化,M_Power_归一化，

N1_RSRP_归一化,N1_Lon_{相对值归一化},N1_Lat_{相对值归一化},

N1_Azimuth_归一化,N1_Tilt_归一化,N1_Height_归一化,N1_Power_归一化,

N2_RSRP_归一化,N2_Lon_{相对值归一化},N2_Lat_{相对值归一化},

N2_Azimuth_归一化,N2_Tilt_归一化,N2_Height_归一化,N2_Power_归一化,

N3_RSRP_归一化,N3_Lon_{相对值归一化},N3_Lat_{相对值归一化},

N3_Azimuth_归一化,N3_Tilt_归一化,N3_Height_归一化,N3_Power_归一化]

共28个输入特征；而融合模型的输出，即归一化后的相对经纬度的格式为：

(U_Lon_{相对值归一化},U_Lat_{相对值归一化})；

步骤12：将小区周边的地图高度数据作为卷积神经网络的输入信息，栅格化地形数据为二维矩阵，并对矩阵中的元素进行归一化，从而提取出每条手机记录对应的小块地图数据作为模型中卷积神经网络的输入层；

以遍历的顺序记录下每个栅格的中心点和栅格外围四个点的经纬度坐标，以及该栅格所代表的地形高度，具体格式如下：

[Grid_Lon_中心点,Grid_Lat_中心点,Grid_Lon_左上角,Grid_Lat_左上角,

Grid_Lon_右上角,Grid_Lat_右上角,Grid_Lon_右下角,Grid_Lat_右下角,

Grid_Lon_左下角,Grid_Lat_左下角,Grid_Height]

将地图的shapefile文件中的高度数据提取出来后，用每个栅格的中心点(Grid_Lon_中心点,Grid_Lat_中心点)作为该栅格位置的代表，从而将整张地图的栅格化数据转换为一个二维矩阵其中R和C分别是地图栅格化得到的二维矩阵Heights的行数和列数；该矩阵Heights以整张地图中栅格中心点经纬度的最小值(Grid_Lon_{中心点最小值},Grid_Lat_{中心点最小值})为基准原点，同时利用求出每个栅格在该矩阵中的位置(r,c)，并将该栅格的地形高度Grid_Height放入二维矩阵第(r,c)个元素中去，从而将整张地图栅格化后的地形高度数据存入二维矩阵Heights中；而后对该二维矩阵Heights中的每个元素进行归一化，计算公式如下：从而将高度的二维矩阵转变为归一化的高度矩阵Heights_归一化；

对于工参数据中的每条记录，在求出了4个小区的质心经纬度(Cen_Lon,Cen_Lat)后，首先利用公式求出该质心在地图高度的二维矩阵中的坐标(r,c)，而后从二维矩阵Heights_归一化中获取坐标为[r-100:r+100,c-100:c+100]的矩阵切片Cen_Area，共200×200个元素，即4个小区质心周围1km×1km范围内的归一化地形高度数据作为模型中卷积神经网络部分的输入，共40000个元素；实践过程中为每条工参数据的记录提供其对应的Cen_Area二维矩阵，通过从小区周边的地形高度中提取出传播过程中可能加入的噪声信息，并利用训练降低噪声的权重，从而达到减轻噪声影响的效果；

步骤13：将工参特征和地形特征引入到深度学习融合网络模型中，得到确定手机用户所在位置的深度学习融合网络的拓扑结构；

输入数据如步骤11中所获取得到的SAE_Features所示包含了28个元素，各层的神经元个数依次设置为[256,512,1024,1024,512,256,64]，激活函数设置为sigmoid函数其中x为每层神经网络中所有神经元输入的加权多项式的和，S(x)为对该加权多项式的和x的一种S型非线性映射，输出的特征个数为64；

对于地形特征的提取，构建了一个以Lenet-5为基本结构的卷积神经网络(CNN)，将每个数据样本周围1km×1km范围的地图高度矩阵Cen_Area当作图像进行处理：首先通过卷积层对地形高度矩阵进行分块和平移处理以提取特征，而后利用池化层对卷积后的矩阵进行池化，最后使用全连接层连接局部特征以形成全局感知，从而将展平后的全连接层提取出的特征作为融合模型中地图数据的输入；在CNN模型部分，共采用了2个卷积滤波器不同的卷积层，其中滤波器的大小相同，均为5×5尺寸的卷积核，但滤波器个数不同，分别是6和16，激活函数设置为relu函数其中x为每层神经网络中所有神经元输入的加权多项式的和，ReLu(x)为对该加权多项式的和x的一种分段线性映射；池化层部分均采用了尺寸为2×2的最大池采样；而展平后的特征经由全连接层部分进行特征压缩后的输出个数为512；

最后将两个模型提取出的特征连接起来，利用共享表达的融合网络将提取出的特征输入到3层的全连接神经网络(FCN)中，最后对手机的经纬度进行预测；其中，全连接层的神经元个数依次为[512,256,128]，激活函数设置为sigmoid函数其中x为每层神经网络中所有神经元输入的加权多项式的和，S(x)为对该加权多项式的和x的S型非线性映射；输出层的结果有2个，分别是预测得到的经纬度(U_Lon_{相对值预测结果},U_Lat_{相对值预测结果})；

步骤14：依据步骤13设计的深度学习融合网络模型对步骤11和12中获得的数据进行训练，从而得到手机定位的目标模型；

手机定位的目标模型为下述函数的最小化：

；其中，第一项用于衡量整个融合模型对每个样本的预测经纬度和真实的相对经纬度之间的误差和，D为训练集中所有数据样本的个数，j为每个样本的数据标号，即j＝1,...,D；

步骤15：利用测试集数据对步骤14中得到的手机定位目标模型进行数据验证，并将预测结果反归一化回手机用户实际的经纬度值；

由于步骤14中获得的目标模型是用于预测手机的经纬度，因此模型的输出分别为经度和纬度；

因为融合模型中栈式自编码器和卷积神经网络两部分的输入均经过了归一化，所以融合模型预测得到的经度和纬度也是归一化后的预测结果，需要进行反归一化，即：U_Lon_{相对值预测结果}＝U_Lon_{相对值预测结果}×(Lon_{相对值最大值}-Lon_{相对值最小值})+Lon_{相对值最小值}和U_Lat_{相对值预测结果}＝U_Lat_{相对值预测结果}×(Lat_{相对值最大值}-Lat_{相对值最小值})+Lat_{相对值最小值}；又由融合模型中的经纬度都是相对值，因此反归一化后的结果还要还原回预测的实际经纬度值：U_Lon_预测结果＝U_Lon_{相对值预测结果}+Cen_Lon和U_Lat_预测结果＝U_Lat_{相对值预测结果}+Cen_Lat；

将预测得到的归一化后的手机经纬度还原为实际的经纬度后，通过比较预测的经纬度和用户的实际经纬度之间的距离对步骤D中得到的手机定位目标模型进行验证，距离公式为

分别计算整个数据集中误差距离小于50m和100m的数据比例，并画出相应的累积分布函数(CDF)曲线，从而获得模型的预测精度。