[发明专利]基于位置指纹匹配的蜂窝网络无线定位方法

权利要求书

1.一种基于位置指纹匹配的蜂窝网络无线定位方法，其特征在于，根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，构造测试向量和训练向量集并采用，机器学习拟合算法预测坐标值，再计算测试的置信度并滤除不可靠的测试结果，最后利用拟合算法进行融合，即根据不同算法的对应精度，将输出结果进行加权求和得到预测结果；

所述的真实采集的用户上报测量报告包括：数据上报时间(mrTime)、用户(ID UeId)、服务小区标识(svrCGI)、服务小区信号强度(svrRSRP)、邻区小区(ID CellId)、邻区信号强度(rsrp)；

所述的滤除是指：当测试结果的置信度大于预设阈值，则输出本次定位的测试估计结果，反之则不输出；

所述的蜂窝网络无线定位方法，具体包括：

步骤1、根据从真实采集的用户上报测量报告中的待测用户的svrCGI判断是否存在与待测用户相同小区的训练用户，具体为：待测用户的svrCGI决定测试用户所在小区，在训练数据集中查找是否存在训练用户有相同的svrCGI，当存在时说明训练用户和测试用户处于相同小区，则进行后续步骤完成定位任务；否则该测试用户不能实现精准定位，放弃本次测试输出；

步骤2、构造测试向量和训练向量集，具体为：当当前测试用户存在相同小区的训练用户，则统计该小区的所有邻站CellId，并按照从小到大的顺序排列，测试用户和每个训练用户CellId所对应的rsrp按照CellId的顺序对应重排，生成对应含位置标签的训练向量集和不含位置标签的测试向量；

步骤3、机器学习拟合算法预测坐标值，具体为：利用机器学习算法，根据生成的训练向量集和测试向量估计得到测试向量的预测位置坐标，

步骤4、计算测试的置信度并滤除不可靠的测试结果，具体为：在训练集中查找与待测位置svrCGI相似的数据，作为含真实位置坐标的验证数据，将预测位置结果与验证数据标签进行比对，得到测试的置信度，然后进行不可靠结果滤除，

步骤5、利用拟合算法进行融合，将输出结果进行加权求和得到预测结果，即bx+ay/a+b，其中：拟合算法得到的平均定位误差为a，单次估计结果为x，算法B的定位误差为b，单次估计结果为y；

所述的机器学习算法，具体包括：

步骤3.1、自定义RSRP与距离之间的关系来用于KNN算法中向量的距离刻画；

步骤3.2、当测试数据邻站数量超过3时，缩小候选人的选择范围；反之则扩大候选人范围；

步骤3.3、采用反函数进行权重配置进行不同距离的样本的权重配置，当训练样本与测试样本的距离越小，该距离值权重越大；

所述的距离刻画，具体为：

步骤3.1.1、估计小区基站的位置：当训练数据的信号强度大于-50dBm则认为该用户在基站附近，统计每个小区内所有这样的用户，形成基站附近用户集合，通过加权平均该用户集合的位置坐标，得到估计的小区基站位置坐标；

步骤3.1.2、计算用户与基站之间的距离：通过欧式距离的方式计算用户与基站之间的距离，并且与此时用户接收到的信号强度进行匹配；

步骤3.1.3、通过多项式拟合方式，拟合基站用户距离与RSRP的对应关系；

所述的距离值权重其中：distance为向量直之间的欧式距离，const为常数；

所述的置信度为其中：验证数据的数量为N，对应的位置标签分别为L₁、L₂、…、L_N，通过机器学习算法估计的位置坐标为L_s，║║为范数符号，║║₂表示欧式距离，B为归一化常数。

2.根据权利要求1所述的基于位置指纹匹配的蜂窝网络无线定位方法，其特征是，在生成训练向量和测试向量过程中，当邻站信息为空的部分，则rsrp用-141dBm填充向量。